如何按组使用 approxQuantile？

Question

Spark 有 SQL 函数 percentile_approx()，它的 Scala 对应函数是 df.stat.approxQuantile()。

但是，Scala 对应项不能用于分组数据集，例如 df.groupby("foo").stat.approxQuantile()，此处回答为：https://stackoverflow.com/a/51933027。

但是可以在 SQL 语法中同时进行分组和百分位数。所以我想知道，也许我可以从 SQL percentile_approx 函数定义一个 UDF 并在我的分组数据集上使用它？

Answer 1

火花 >= 3.1

在 Spark 3.1 中添加了相应的 SQL 函数 - 请参阅 SPARK-30569。

火花

虽然您不能在 UDF 中使用 approxQuantile，并且您没有 percentile_approx 的 Scala 包装器，但您自己实现一个并不难：

import org.apache.spark.sql.functions._
import org.apache.spark.sql.Column
import org.apache.spark.sql.catalyst.expressions.aggregate.ApproximatePercentile


object PercentileApprox {
  def percentile_approx(col: Column, percentage: Column, accuracy: Column): Column = {
    val expr = new ApproximatePercentile(
      col.expr,  percentage.expr, accuracy.expr
    ).toAggregateExpression
    new Column(expr)
  }
  def percentile_approx(col: Column, percentage: Column): Column = percentile_approx(
    col, percentage, lit(ApproximatePercentile.DEFAULT_PERCENTILE_ACCURACY)
  )
}

示例用法：

import PercentileApprox._

val df = (Seq.fill(100)("a") ++ Seq.fill(100)("b")).toDF("group").withColumn(
  "value", when($"group" === "a", randn(1) + 10).otherwise(randn(3))
)

df.groupBy($"group").agg(percentile_approx($"value", lit(0.5))).show

+-----+------------------------------------+
|group|percentile_approx(value, 0.5, 10000)|
+-----+------------------------------------+
|    b|                -0.06336346702250675|
|    a|                   9.818985618591595|
+-----+------------------------------------+

df.groupBy($"group").agg(
  percentile_approx($"value", typedLit(Seq(0.1, 0.25, 0.75, 0.9)))
).show(false)

+-----+----------------------------------------------------------------------------------+
|group|percentile_approx(value, [0.1,0.25,0.75,0.9], 10000)                              |
+-----+----------------------------------------------------------------------------------+
|b    |[-1.2098351202406483, -0.6640768986666159, 0.6778253126144265, 1.3255676906697658]|
|a    |[8.902067202468098, 9.290417382259626, 10.41767257153993, 11.067087075488068]     |
+-----+----------------------------------------------------------------------------------+

一旦它位于 JVM 类路径中，您还可以使用类似于内置函数的逻辑添加 PySpark 包装器。