获得每组的第 20 到第 80 个百分位数 - Pyspark

Question

我在 pyspark 数据框中有三列（示例数据如下）

orderType	customerId	amount
A	c1	100.2
A	c2	1003.32
B	c1	222
C	c3	21.3
A	c4	1.2

我想从每个 orderType 中删除异常值。为了做到这一点，我从每个 orderType 的数据中删除了前 Nth Percentile。

例如对于 N = 10，对于每个组，我将根据数量和 partitionBy orderType 获取第 10 到第 90 个百分位数的数据。

需要帮助来为大型数据集（大约 6700 万行计数）实现该功能。

如果在这种情况下适用，也有人可以帮助可能在分区上使用分位数。

Answer 1

你可以使用approx_percentile，然后过滤：

import pyspark.sql.functions as F

df2 = df.withColumn(
    'percentile',
    F.expr("approx_percentile(amount, array(0.2, 0.8), 100) over (partition by orderType)")
).filter(
    'amount between percentile[0] and percentile[1]'
)

函数的使用记录在here。