approxQuantile 在 Spark (Scala) 中给出不正确的中位数？答案

【问题标题】：approxQuantile give incorrect Median in Spark (Scala)?approxQuantile 在 Spark (Scala) 中给出不正确的中位数？
【发布时间】：2017-03-08 10:52:59
【问题描述】：

我有这个测试数据：

 val data = List(
        List(47.5335D),
        List(67.5335D),
        List(69.5335D),
        List(444.1235D),
        List(677.5335D)
      )

我预计中位数为 69.5335。但是当我尝试使用此代码找到确切的中位数时：

df.stat.approxQuantile(column, Array(0.5), 0)

它给了我：444.1235

为什么会这样？如何解决？

我是这样做的：

      val data = List(
        List(47.5335D),
        List(67.5335D),
        List(69.5335D),
        List(444.1235D),
        List(677.5335D)
      )

      val rdd = sparkContext.parallelize(data).map(Row.fromSeq(_))
      val schema = StructType(Array(
        StructField("value", DataTypes.DoubleType, false)
      ))

      val df = sqlContext.createDataFrame(rdd, schema)
      df.createOrReplaceTempView(tableName)
val df2 = sc.sql(s"SELECT value FROM $tableName")
val median = df2.stat.approxQuantile("value", Array(0.5), 0)

所以我正在创建临时表。然后在里面搜索，然后计算结果。只是为了测试。

【问题讨论】：

我遇到了同样的问题。关于如何解决这个问题的任何建议？
@Nimi 我记得我已经用自己的 udf 解决了它。
您介意分享一下吗？我不知道如何使用 udf 聚合列的值。我想将计算保留在 spark 中，而不是提取值。

标签： scala apache-spark

【解决方案1】：

请注意，这是一个近似分位数计算。它不应该一直给你确切的答案。请参阅here 以获得更详尽的解释。

原因是对于非常大的数据集，有时你可以得到一个近似答案，只要你得到它比精确计算快得多。

【讨论】：

但在文档spark.apache.org/docs/2.0.2/api/java/org/apache/spark/sql/… 中，他们声明 relativeError - 要达到的相对目标精度 (>= 0)。如果设置为零，则计算精确的分位数

【解决方案2】：

这是我本地的结果。你有类似的事情吗？

 val data = List(
        List(47.5335D),
        List(67.5335D),
        List(69.5335D),
        List(444.1235D),
        List(677.5335D)
      )

val df = data.flatten.toDF

df.stat.approxQuantile("value", Array(0.5), 0)
// res18: Array[Double] = Array(67.5335)

【讨论】：

嗯，奇怪。另一个版本，但仍然不是 69.5335。我已将所有来源添加到我的问题中。

【解决方案3】：

我在尝试将 approxQuantile() 方法与Spark-2.2.1 一起使用时遇到了类似的问题。当我升级到 Spark-2.4.3 时，approxQuantile() 现在返回正确的中位数。

【讨论】：