绘制一个非常大的 pyspark 列的直方图

Question

相关问题：Pyspark: show histogram of a data frame column

我有一个很长的专栏，无法按照上述主题中的建议将其转换为 pandas（spark 内存不足）。

如何绘制此列的直方图？

Answer 1

您应该能够从随机抽样的数据子集中获得具有代表性的直方图。也许从 1% 开始，如下所示：

dfs = df.sample(withReplacement=False, fraction=0.01, seed=None).toPandas()

然后看看内存是否允许dfs.hist()

在许多数据科学应用中，对大列和数据帧进行下采样是完全合法的（尽管在寻找罕见事件时可能会很麻烦）。多次重复该过程（使用seed=None）并比较结果以让您放心。