在 Scala-Spark 中用行的平均值填充 Nan

Question

我有一个有 6 列的 RDD，其中最后 5 列可能包含 NaN。我的意图是将 NaN 替换为该行最后 5 个非 Nan 值的平均值。例如，有这个输入：

1, 2, 3, 4, 5, 6
2, 2, 2, NaN, 4, 0
3, NaN, NaN, NaN, 6, 0
4, NaN, NaN, 4, 4, 0 

输出应该是：

1, 2, 3, 4, 5, 6
2, 2, 2, 2, 4, 0
3, 3, 3, 3, 6, 0
4, 3, 3, 4, 4, 0

我知道如何用将RDD 转换为DataFrame 的列的平均值填充这些 NaN：

var aux1 = df.select(df.columns.map(c => mean(col(c))) :_*)
var aux2 = df.na.fill(/*get values of aux1*/)

我的问题是，如何执行此操作，而不是用列平均值填充 NaN，而是用行子组的值的平均值填充它？

Answer 1

您可以通过定义一个函数来获取平均值，并定义另一个函数来填充一行中的空值。

鉴于您提供的 DF：

val df = sc.parallelize(List((Some(1),Some(2),Some(3),Some(4),Some(5),Some(6)),(Some(2),Some(2),Some(2),None,Some(4),Some(0)),(Some(3),None,None,None,Some(6),Some(0)),(Some(4),None,None,Some(4),Some(4),Some(0)))).toDF("a","b","c","d","e","f")

我们需要一个函数来获取行的平均值：

import org.apache.spark.sql.Row
def rowMean(row: Row): Int = {
   val nonNulls = (0 until row.length).map(i => (!row.isNullAt(i), row.getAs[Int](i))).filter(_._1).map(_._2).toList
   nonNulls.sum / nonNulls.length
}

还有一个用于在一行中填充空值：

def rowFillNulls(row: Row, fill: Int): Row = {
   Row((0 until row.length).map(i => if (row.isNullAt(i)) fill else row.getAs[Int](i)) : _*)
}

现在我们可以先计算每一行的平均值：

val rowWithMean = df.map(row => (row,rowMean(row)))

然后填写：

val result = sqlContext.createDataFrame(rowWithMean.map{case (row,mean) => rowFillNulls(row,mean)}, df.schema)

最后查看前后...

df.show
+---+----+----+----+---+---+
|  a|   b|   c|   d|  e|  f|
+---+----+----+----+---+---+
|  1|   2|   3|   4|  5|  6|
|  2|   2|   2|null|  4|  0|
|  3|null|null|null|  6|  0|
|  4|null|null|   4|  4|  0|
+---+----+----+----+---+---+

result.show
+---+---+---+---+---+---+
|  a|  b|  c|  d|  e|  f|
+---+---+---+---+---+---+
|  1|  2|  3|  4|  5|  6|
|  2|  2|  2|  2|  4|  0|
|  3|  3|  3|  3|  6|  0|
|  4|  3|  3|  4|  4|  0|
+---+---+---+---+---+---+

这适用于具有 Int 列的任何宽度 DF。您可以轻松地将其更新为其他数据类型，甚至是非数字（提示，检查 df 架构！）

Answer 2

一堆进口：

import org.apache.spark.sql.functions.{col, isnan, isnull, round, when}
import org.apache.spark.sql.Column

一些辅助函数：

def nullOrNan(c: Column) = isnan(c) || isnull(c)

def rowMean(cols: Column*): Column = {
  val sum = cols
    .map(c => when(nullOrNan(c), lit(0.0)).otherwise(c))
    .fold(lit(0.0))(_ + _)
  val count = cols
    .map(c => when(nullOrNan(c), lit(0.0)).otherwise(lit(1.0)))
    .fold(lit(0.0))(_ + _)
  sum / count
}

解决方案：

val mean = round(
  rowMean(df.columns.tail.map(col): _*)
).cast("int").alias("mean")

val exprs = df.columns.tail.map(
  c => when(nullOrNan(col(c)), mean).otherwise(col(c)).alias(c)
)

val filled = df.select(col(df.columns(0)) +: exprs: _*)

Answer 3

嗯，这是一个有趣的小问题 - 我会发布我的解决方案，但我一定会观察，看看是否有人想出了更好的方法:)

首先我要介绍几个udfs：

val avg = udf((values: Seq[Integer]) => {
  val notNullValues = values.filter(_ != null).map(_.toInt)
  notNullValues.sum/notNullValues.length
})

val replaceNullWithAvg = udf((x: Integer, avg: Integer) => if(x == null) avg else x)

然后我会像这样申请DataFrame：

dataframe
  .withColumn("avg", avg(array(df.columns.tail.map(s => df.col(s)):_*)))
  .select('col1, replaceNullWithAvg('col2, 'avg) as "col2", replaceNullWithAvg('col3, 'avg) as "col3", replaceNullWithAvg('col4, 'avg) as "col4", replaceNullWithAvg('col5, 'avg) as "col5", replaceNullWithAvg('col6, 'avg) as "col6")

这将为您提供所需的内容，但可以说不是我所编写的最复杂的代码......