Alors que quelqu'un a déjà posé des questions sur le calcul d'un Weighted Average in Spark, dans cette question, je pose la question à propos de l'utilisation de jeux de données/DataFrames au lieu de RDD.Moyenne pondérée avec les datasets Spark sans UDF
Comment puis-je calculer une moyenne pondérée dans Spark? J'ai deux colonnes: le nombre et moyennes précédentes:
case class Stat(name:String, count: Int, average: Double)
val statset = spark.createDataset(Seq(Stat("NY", 1,5.0),
Stat("NY",2,1.5),
Stat("LA",12,1.0),
Stat("LA",15,3.0)))
Je voudrais être en mesure de calculer une moyenne pondérée comme ceci:
display(statset.groupBy($"name").agg(sum($"count").as("count"),
weightedAverage($"count",$"average").as("average")))
On peut utiliser une UDF pour se rapprocher:
val weightedAverage = udf(
(row:Row)=>{
val counts = row.getAs[WrappedArray[Int]](0)
val averages = row.getAs[WrappedArray[Double]](1)
val (count,total) = (counts zip averages).foldLeft((0,0.0)){
case((cumcount:Int,cumtotal:Double),(newcount:Int,newaverage:Double))=>(cumcount+newcount,cumtotal+newcount*newaverage)}
(total/count) // Tested by returning count here and then extracting. Got same result as sum.
}
)
display(statset.groupBy($"name").agg(sum($"count").as("count"),
weightedAverage(struct(collect_list($"count"),
collect_list($"average"))).as("average")))
(Merci aux réponses à Passing a list of tuples as a parameter to a spark udf in scala pour aider à la rédaction de ce)
Newb ies: utilisez ces importations:
import org.apache.spark.sql._
import org.apache.spark.sql.functions._
import org.apache.spark.sql.types._
import scala.collection.mutable.WrappedArray
Existe-t-il un moyen d'y parvenir avec des fonctions de colonne intégrées au lieu de fonctions UDF? L'UDF se sent mal à l'aise et si les nombres deviennent importants, vous devez convertir les Int à Long.
Dans mon code actuel, j'ai groupBy ... encore, ce pourrait fonctionner ... –
Je voudrais ajouter le nombre total comme une autre colonne dans la deuxième agrégation et ensuite faire la division à la fin. Le deuxième passage aurait besoin de beaucoup plus de données. –
@MichelLemay: Merci! C'est juste ce dont j'avais besoin pour faire du jogging. J'ai suggéré une modification à votre réponse qui fonctionne également avec groupBy. –