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:
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:
``` 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 。
感谢丁晓昀对本文的审校。
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。也欢迎大家通过新浪微博(@InfoQ,@丁晓昀),微信(微信号: InfoQChina )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 )。