RDD分散メソッド、IPython、Spark を使用して整数の中央値を見つけるにはどうすればよいですか? はRDDおよそ 700,000 要素であるため、収集して中央値を見つけるには大きすぎます。
この質問は次の質問に似ています:Apache Spark で正確な中央値を計算するにはどうすればよいですか?しかし、質問の答えは Scala ですが、私はそれを知りません。
Scala の回答の考え方を使用して、Python で同様のソリューションを記述しようとしています。
まず をソートしたいのはわかっていますRDD。方法がわかりません。 sortBy(指定された でこの RDD をソートしますkeyfunc) メソッドとsortByKey( RDD(キー、値) ペアで構成されていると想定されるこの をソートします。) メソッドがあります。どちらもキー値を使用し、 には整数要素のみがあると思いますRDD。
- まず、私は
myrdd.sortBy(lambda x: x)?をやろうと思っていました。 - 次にrddの長さ(
rdd.count())を求めます。 - 最後に、RDD の中心にある要素または 2 つの要素を見つけたいと思います。この方法についても助けが必要です。
編集：
アイデアがありました。インデックスを作成しRDDて、キー = インデックス、値 = 要素にすることができます。その後、値で並べ替えてみます。メソッドしかないため、これが可能かどうかはわかりませんsortByKey。
ベストアンサー1
進行中の作業
スパーク-30569-percentile_approxを呼び出すDSL関数を追加する
Spark 2.0以降:
approxQuantile実装するメソッドを使用することができますグリーンワルド・カナアルゴリズム:
パイソン:
df.approxQuantile("x", [0.5], 0.25)
スカラ:
df.stat.approxQuantile("x", Array(0.5), 0.25)
最後のパラメータは相対誤差です。数値が低いほど、結果はより正確になりますが、計算コストは高くなります。
Spark 2.2以降（スパーク-14352) 複数の列での推定をサポートします。
df.approxQuantile(["x", "y", "z"], [0.5], 0.25)
そして
df.approxQuantile(Array("x", "y", "z"), Array(0.5), 0.25)
基礎となるメソッドは、SQL集計（グローバルとグルーピングの両方）でも使用できます。approx_percentile関数：
> SELECT approx_percentile(10.0, array(0.5, 0.4, 0.1), 100);
[10.0,10.0,10.0]
> SELECT approx_percentile(10.0, 0.5, 100);
10.0
スパーク < 2.0
パイソン
コメントで述べたように、大騒ぎするほどの価値はないでしょう。あなたの場合のようにデータが比較的小さい場合は、単にローカルで収集して中央値を計算するだけです。
import numpy as np
np.random.seed(323)
rdd = sc.parallelize(np.random.randint(1000000, size=700000))
%time np.median(rdd.collect())
np.array(rdd.collect()).nbytes
私の数年前のコンピューターと約 5.5 MB のメモリでは、約 0.01 秒かかります。
データがかなり大きい場合は、ソートが制限要因となるため、正確な値を取得する代わりに、ローカルでサンプリング、収集、計算する方がよいでしょう。ただし、Spark を本当に使用したい場合は、次のような方法でうまくいくはずです (私が何も間違えていなければ)。
from numpy import floor
import time
def quantile(rdd, p, sample=None, seed=None):
"""Compute a quantile of order p ∈ [0, 1]
:rdd a numeric rdd
:p quantile(between 0 and 1)
:sample fraction of and rdd to use. If not provided we use a whole dataset
:seed random number generator seed to be used with sample
"""
assert 0 <= p <= 1
assert sample is None or 0 < sample <= 1
seed = seed if seed is not None else time.time()
rdd = rdd if sample is None else rdd.sample(False, sample, seed)
rddSortedWithIndex = (rdd.
sortBy(lambda x: x).
zipWithIndex().
map(lambda (x, i): (i, x)).
cache())
n = rddSortedWithIndex.count()
h = (n - 1) * p
rddX, rddXPlusOne = (
rddSortedWithIndex.lookup(x)[0]
for x in int(floor(h)) + np.array([0L, 1L]))
return rddX + (h - floor(h)) * (rddXPlusOne - rddX)
そしていくつかのテスト:
np.median(rdd.collect()), quantile(rdd, 0.5)
## (500184.5, 500184.5)
np.percentile(rdd.collect(), 25), quantile(rdd, 0.25)
## (250506.75, 250506.75)
np.percentile(rdd.collect(), 75), quantile(rdd, 0.75)
(750069.25, 750069.25)
最後に中央値を定義します。
from functools import partial
median = partial(quantile, p=0.5)
ここまでは順調ですが、ネットワーク通信のないローカル モードでは 4.66 秒かかります。おそらくこれを改善する方法はあるでしょうが、なぜわざわざそうするのでしょうか?
言語に依存しない（ハイブUDAF):
を使用する場合は、HiveContextHive UDAF も使用できます。整数値の場合:
rdd.map(lambda x: (float(x), )).toDF(["x"]).registerTempTable("df")
sqlContext.sql("SELECT percentile_approx(x, 0.5) FROM df")
連続値の場合:
sqlContext.sql("SELECT percentile(x, 0.5) FROM df")
percentile_approx使用するレコードの数を決定する追加の引数を渡すことができます。