写点什么

Spark 1.4 为 DataFrame 新增的统计与数学函数

  • 2015-06-08
  • 本文字数:1333 字

    阅读完需:约 4 分钟

目前,Spark 1.4 版本在社区已经进入投票阶段,在 Github 上也提供了 1.4 的分支版本。最近,Databricks 的工程师撰写了博客,介绍了 Spark 1.4 为 DataFrame 新增的统计与数学函数。这篇博客介绍的函数主要包括:

  1. 随机数据生成(Random Data Generation)
  2. 概要与描述性统计(Summary and descriptive statistics)
  3. 协方差与相关性(Sample covariance and correlation)
  4. 交叉列表(Cross tabulation)
  5. 频率项(Frequent items)
  6. 数学函数(Mathematical functions)

随机数据生成(Random Data Generation)主要是为测试数据提供方便快捷的接口,如 range、rand 和 randn。rand 函数提供均匀正态分布,而 randn 则提供标准正态分布。在调用这些函数时,还可以指定列的别名,以方便我们对这些数据进行测试。

概要与描述性统计(Summary and Descriptive Statistics)包含了计数、平均值、标准差、最大值、最小值运算。只需要针对 DataFrame 调用 describe 函数即可:

复制代码
from pyspark.sql.functions import rand, randn
df = sqlContext.range(0, 10).withColumn('uniform', rand(seed=10)).withColumn('normal', randn(seed=27))
df.describe().show()
```可能的结果显示为:
summary id uniform normal count 10 10 10 mean 4.5 0.5215336029384192 -0.01309370117407197 stddev 2.8722813232690143 0.229328162820653 0.5756058014772729| min 0 0.19657711634539565 -0.7195024130068081 max 9 0.9970412477032209 1.0900096472044518 交叉列表为一组变量提供了频率分布表,在统计学中被经常用到。例如在对租车行业的数据进行分析时,需要分析每个客户(name)租用不同品牌车辆 (brand) 的次数。此时,就可以直接调用 crosstab 函数。例如:
`df.stat.crosstab("name", "brand").show()`但是需要注意的是,必须确保要进行交叉列表统计的列的基数不能太大。
为 DataFrame 新增加的数学函数都是我们在做数据分析中常常用到的,包括 cos、sin、floor、ceil 以及 pow、hypot 等。以上新特性都会在 Spark 1.4 版本中得到支持,并且支持 Python、Scala 和 Java。在未来发布的版本中,DataBricks 还将继续增强统计功能,并使得 DataFrame 可以更好地与 Spark 机器学习库 MLlib 集成,例如 Spearman Correlation(斯皮尔曼相关)、针对协方差运算与相关性运算的聚合函数等。
若希望了解这些新增特性的具体内容,可以持续关注 [DataBricks 的开发者博客](http://databricks.com/blog/category/developer)。
- - - - - -
感谢 [丁晓昀](http://www.infoq.com/cn/author/%E4%B8%81%E6%99%93%E6%98%80) 对本文的审校。
给 InfoQ 中文站投稿或者参与内容翻译工作,请邮件至 [editors@cn.infoq.com](mailto:editors@cn.infoq.com)。也欢迎大家通过新浪微博([@InfoQ](http://www.weibo.com/infoqchina),[@丁晓昀](http://weibo.com/u/1451714913)),微信(微信号:[InfoQChina](http://weixin.sogou.com/gzh?openid=oIWsFt0HnZ93MfLi3pW2ggVJFRxY))关注我们,并与我们的编辑和其他读者朋友交流(欢迎加入 InfoQ 读者交流群 [![](https://static001.infoq.cn/resource/image/06/9f/06e1fec4a87eca3142d54d09844c629f.png)](http://shang.qq.com/wpa/qunwpa?idkey=cc82a73d7522f0090aa3cbb6a8f4bdafa8b82177f481014c976a8740d927997a))。
2015-06-08 04:466873
用户头像

发布了 109 篇内容, 共 42.8 次阅读, 收获喜欢 14 次。

关注

评论

发布
暂无评论
发现更多内容

架构师训练营 - 第 9 周课后作业(1 期)

阿甘

架构师训练营第 5 周学习总结

菜青虫

极客大学架构师训练营

架构师训练营 - 第九周 - 作业一

行者

第九周总结

solike

架构师训练营作业

郎哲

极客大学架构师训练营

架构师训练营第九周作业

邓昀垚

极客大学架构师训练营

架构师训练营第九周总结

邓昀垚

极客大学架构师训练营

架构师训练营第 1 期 -- 第九周作业

发酵的死神

极客大学架构师训练营

第 5 周 系统架构作业

心在那片海

架构师训练营第九周学习总结

文智

极客大学架构师训练营

架构2期第5周作业

supersky6

架构师训练营第九周作业

Shunyi

极客大学架构师训练营

架构师训练营第九周作业

月殇

极客大学架构师训练营

架构一期 第九周作业

haha

极客大学架构师训练营

第 5 周 系统架构总结

心在那片海

java实现一致性 hash 算法

Mars

一致性Hash算法

第五周笔记

willson

极客大学架构师训练营

c语言只是总结大全,干货收藏

C语言与CPP编程

面试 编程语言 C语言

第 5 周作业

Steven

极客大学架构师训练营

第五周总结

Griffenliu

「架构师训练营第 1 期」第九周作业

张国荣

「架构师训练营」第 5 周作业

小黄鱼

极客大学架构师训练营

性能优化(三)

wing

极客大学架构师训练营

第九周作业

wanlinwang

极客大学架构师训练营

五周 - 作业

水浴清风

一致性hash

顺序查找

ilovealt

算法和数据结构

第五周作业

Griffenliu

架构师训练营 2 期 - 第五周总结

Geek_no_one

极客大学架构师训练营

架构师训练营第九周学习笔记

郎哲

极客大学架构师训练营

第九周总结

Geek_ac4080

架构师训练营week09

FG佳

极客大学架构师训练营

Spark 1.4为DataFrame新增的统计与数学函数_语言 & 开发_张逸_InfoQ精选文章