我怎样才能找到的平均RDD使用分布式方法，IPython的整数，和Spark？该RDD是约700 000元，因此过大，以收集和发现中位数。

这个问题类似于这个问题。然而，问题的答案是使用Scala的，我不知道。

我该如何计算与Apache星火确切的中位数？

使用Scala的答案的思维，我想用Python语言编写了类似的回答。

我知道我首先要排序的RDD 。我不知道怎么。我看到sortBy （排序此RDD由给定keyfunc ）和sortByKey （排序此RDD ，其被假定为包括（键，值）对。）的方法。我认为两者都使用键值和我RDD只有整数元素。

首先，我想这样做的myrdd.sortBy(lambda x: x)
接下来，我会发现RDD的长度（ rdd.count()
最后，我想找到的元素，或在RDD中心2个元素。我需要用这种方法也有帮助。

编辑：

我有一个想法。也许我可以索引我RDD ，然后键入=指数值=元素。然后，我可以尝试通过值进行排序？我不知道这是可能的，因为只有一个sortByKey方法。

Answer 1:

星火2.0+：

您可以使用approxQuantile其实现方法格林沃尔德-卡纳算法：

Python的 ：

df.approxQuantile("x", [0.5], 0.25)

斯卡拉 ：

df.stat.approxQuantile("x", Array(0.5), 0.25)

其中最后一个参数是相对误差。该数值越低，更准确的结果，更昂贵的计算。

由于火花2.2（火花14352 ），它支持在多个列上估算：

df.approxQuantile(["x", "y", "z"], [0.5], 0.25)

和

df.approxQuantile(Array("x", "y", "z"), Array(0.5), 0.25)

火花<2.0

蟒蛇

正如我在评论中提到过它是最有可能不值得大惊小怪。如果数据是比较小的，如你的情况，然后简单地收集并在本地计算位数：

import numpy as np

np.random.seed(323)
rdd = sc.parallelize(np.random.randint(1000000, size=700000))

%time np.median(rdd.collect())
np.array(rdd.collect()).nbytes

这需要在我几年的旧电脑及周边内存5.5MB左右0.01秒。

如果数据是更大的排序将是一个限制因素，因此不但得不到一个确切的价值它可能是更好的样本，收集，并在本地计算。但是，如果你真的想用星火这样的事情应该做的伎俩（如果我没惹任何东西）：

from numpy import floor
import time

def quantile(rdd, p, sample=None, seed=None):
    """Compute a quantile of order p ∈ [0, 1]
    :rdd a numeric rdd
    :p quantile(between 0 and 1)
    :sample fraction of and rdd to use. If not provided we use a whole dataset
    :seed random number generator seed to be used with sample
    """
    assert 0 <= p <= 1
    assert sample is None or 0 < sample <= 1

    seed = seed if seed is not None else time.time()
    rdd = rdd if sample is None else rdd.sample(False, sample, seed)

    rddSortedWithIndex = (rdd.
        sortBy(lambda x: x).
        zipWithIndex().
        map(lambda (x, i): (i, x)).
        cache())

    n = rddSortedWithIndex.count()
    h = (n - 1) * p

    rddX, rddXPlusOne = (
        rddSortedWithIndex.lookup(x)[0]
        for x in int(floor(h)) + np.array([0L, 1L]))

    return rddX + (h - floor(h)) * (rddXPlusOne - rddX)

和一些测试：

np.median(rdd.collect()), quantile(rdd, 0.5)
## (500184.5, 500184.5)
np.percentile(rdd.collect(), 25), quantile(rdd, 0.25)
## (250506.75, 250506.75)
np.percentile(rdd.collect(), 75), quantile(rdd, 0.75)
(750069.25, 750069.25)

最后让界定位数：

from functools import partial
median = partial(quantile, p=0.5)

到目前为止好，但它需要4.66 S IN本地模式没有任何网络通信。有可能是方法来改善这一点，但为什么还要这么做呢？

独立语言 （蜂巢向外）：

如果您使用HiveContext你也可以使用蜂巢UDAFs。其整体数值：

rdd.map(lambda x: (float(x), )).toDF(["x"]).registerTempTable("df")

sqlContext.sql("SELECT percentile_approx(x, 0.5) FROM df")

随着连续的值：

sqlContext.sql("SELECT percentile(x, 0.5) FROM df")

在percentile_approx你可以通过它决定了多项纪录使用一个额外的参数。

Answer 2:

添加一个解决方案，如果你只想要一个RDD法和不想要移动到DF。这个片段可以让你百分的双重的RDD。

如果你输入的百分位为50，你应该获得您所需的中位数。让我知道，如果有任何一个角落的情况不占。

/**
  * Gets the nth percentile entry for an RDD of doubles
  *
  * @param inputScore : Input scores consisting of a RDD of doubles
  * @param percentile : The percentile cutoff required (between 0 to 100), e.g 90%ile of [1,4,5,9,19,23,44] = ~23.
  *                     It prefers the higher value when the desired quantile lies between two data points
  * @return : The number best representing the percentile in the Rdd of double
  */    
  def getRddPercentile(inputScore: RDD[Double], percentile: Double): Double = {
    val numEntries = inputScore.count().toDouble
    val retrievedEntry = (percentile * numEntries / 100.0 ).min(numEntries).max(0).toInt


    inputScore
      .sortBy { case (score) => score }
      .zipWithIndex()
      .filter { case (score, index) => index == retrievedEntry }
      .map { case (score, index) => score }
      .collect()(0)
  }

Answer 3:

这里是我使用窗口函数（带pyspark 2.2.0）中使用的方法。

from pyspark.sql import DataFrame

class median():
    """ Create median class with over method to pass partition """
    def __init__(self, df, col, name):
        assert col
        self.column=col
        self.df = df
        self.name = name

    def over(self, window):
        from pyspark.sql.functions import percent_rank, pow, first

        first_window = window.orderBy(self.column)                                  # first, order by column we want to compute the median for
        df = self.df.withColumn("percent_rank", percent_rank().over(first_window))  # add percent_rank column, percent_rank = 0.5 coressponds to median
        second_window = window.orderBy(pow(df.percent_rank-0.5, 2))                 # order by (percent_rank - 0.5)^2 ascending
        return df.withColumn(self.name, first(self.column).over(second_window))     # the first row of the window corresponds to median

def addMedian(self, col, median_name):
    """ Method to be added to spark native DataFrame class """
    return median(self, col, median_name)

# Add method to DataFrame class
DataFrame.addMedian = addMedian

然后调用addMedian法计算COL2的中位数：

from pyspark.sql import Window

median_window = Window.partitionBy("col1")
df = df.addMedian("col2", "median").over(median_window)

最后，你可以在需要时组。

df.groupby("col1", "median")

Answer 4:

我已经写这需要数据帧作为输入，并返回具有值作为超过一个分区和order_col的输出的数据帧是一个我们想要计算part_col位数的列是在我们想要计算中值的级别的功能：

from pyspark.sql import Window
import pyspark.sql.functions as F

def calculate_median(dataframe, part_col, order_col):
    win = Window.partitionBy(*part_col).orderBy(order_col)
#     count_row = dataframe.groupby(*part_col).distinct().count()
    dataframe.persist()
    dataframe.count()
    temp = dataframe.withColumn("rank", F.row_number().over(win))
    temp = temp.withColumn(
        "count_row_part",
        F.count(order_col).over(Window.partitionBy(part_col))
    )
    temp = temp.withColumn(
        "even_flag",
        F.when(
            F.col("count_row_part") %2 == 0,
            F.lit(1)
        ).otherwise(
            F.lit(0)
        )
    ).withColumn(
        "mid_value",
        F.floor(F.col("count_row_part")/2)
    )

    temp = temp.withColumn(
        "avg_flag",
        F.when(
            (F.col("even_flag")==1) &
            (F.col("rank") == F.col("mid_value"))|
            ((F.col("rank")-1) == F.col("mid_value")),
            F.lit(1)
        ).otherwise(
        F.when(
            F.col("rank") == F.col("mid_value")+1,
            F.lit(1)
            )
        )
    )
    temp.show(10)
    return temp.filter(
        F.col("avg_flag") == 1
    ).groupby(
        part_col + ["avg_flag"]
    ).agg(
        F.avg(F.col(order_col)).alias("median")
    ).drop("avg_flag")

文章来源: How to find median and quantiles using Spark