pySpark находит медиану распределенным способом?

Можно ли найти медиану искры распределенным способом? В настоящее время я нахожу: Sum, Average, Variance, Count, используя следующий код:

dataSumsRdd = numRDD.filter(lambda x: filterNum(x[1])).map(lambda line: (line[0], float(line[1])))\
    .aggregateByKey((0.0, 0.0, 0.0),
     lambda (sum, sum2, count), value: (sum + value, sum2 + value**2, count+1.0),
     lambda (suma, sum2a, counta), (sumb, sum2b, countb): (suma + sumb, sum2a + sum2b, counta + countb))
#Generate RDD of Count, Sum, Average, Variance
dataStatsRdd = dataSumsRdd.mapValues(lambda (sum, sum2, count) : (count, sum, sum/count, round(sum2/count - (sum/count)**2, 7)))

Я не совсем уверен, как найти Median, хотя. Чтобы найти стандартное отклонение, я просто получаю результат локально с дисперсией квадратного корня. Как только я соберу медиану, я смогу легко сделать Skewness локально.

У меня есть данные в парах ключ/значение (ключ = столбец)


apache-spark pyspark
person theMadKing    schedule 28.04.2015    source источник
comment
Взгляните на этот вопрос. Эффективный алгоритм распределенной медианы не является простым.   -  person nrg    schedule 28.04.2015

Ответы (1)


arrow_upward
1
arrow_downward

Я смотрю на это (это не лучший способ... но единственный способ, которым я могу это сделать):

def medianFunction(x):
    count = len(x)
    if count % 2 == 0:
        l = count / 2 - 1
        r = l + 1
        value = (x[l - 1] + x[r - 1]) / 2
        return value
    else:
        l = count / 2
        value = x[l - 1]
        return value

   medianRDD = numFilterRDD.groupByKey().map(lambda (x, y): (x, list(y))).mapValues(lambda x: medianFunction(x)).collect()
person theMadKing    schedule 28.04.2015
comment
Строка medianRDD = заканчивается на .collect(). Это намеренно? Вы тестировали это решение на небольшом количестве тестовых данных? - person Geoffrey Anderson; 08.07.2016
comment
.collect — это действие, и это делает что-то, что приведет к выводу, который не опасен для драйвера. Что вас беспокоит? - person theMadKing; 09.07.2016