Использование PySpark Imputer для сгруппированных данных

У меня есть столбец Class, который может быть 1, 2 или 3, и еще один столбец Age с некоторыми недостающими данными. Я хочу вменять средний Age каждой группы Class.

Я хочу что-то сделать вместе:

grouped_data = df.groupBy('Class')
imputer = Imputer(inputCols=['Age'], outputCols=['imputed_Age'])
imputer.fit(grouped_data)

Есть ли способ обхода этого?

Спасибо за ваше время

Стоит ли изучать PHP в 2023-2024 годах?
Стоит ли изучать PHP в 2023-2024 годах?
Привет всем, сегодня я хочу высказать свои соображения по поводу вопроса, который я уже много раз получал в своем сообществе: "Стоит ли изучать PHP в...
Поведение ключевого слова "this" в стрелочной функции в сравнении с нормальной функцией
Поведение ключевого слова "this" в стрелочной функции в сравнении с нормальной функцией
В JavaScript одним из самых запутанных понятий является поведение ключевого слова "this" в стрелочной и обычной функциях.
Приемы CSS-макетирования - floats и Flexbox
Приемы CSS-макетирования - floats и Flexbox
Здравствуйте, друзья-студенты! Готовы совершенствовать свои навыки веб-дизайна? Сегодня в нашем путешествии мы рассмотрим приемы CSS-верстки - в...
Тестирование функциональных ngrx-эффектов в Angular 16 с помощью Jest
В системе управления состояниями ngrx, совместимой с Angular 16, появились функциональные эффекты. Это здорово и делает код определенно легче для...
Концепция локализации и ее применение в приложениях React ⚡️
Концепция локализации и ее применение в приложениях React ⚡️
Локализация - это процесс адаптации приложения к различным языкам и культурным требованиям. Это позволяет пользователям получить опыт, соответствующий...
Пользовательский скаляр GraphQL
Пользовательский скаляр GraphQL
Листовые узлы системы типов GraphQL называются скалярами. Достигнув скалярного типа, невозможно спуститься дальше по иерархии типов. Скалярный тип...
1
0
1 560
2
Перейти к ответу Данный вопрос помечен как решенный

Ответы 2

Вам необходимо преобразовать фрейм данных с помощью подобранной модели. Затем возьмите среднее значение заполненных данных:

from pyspark.sql import functions as F

imputer = Imputer(inputCols=['Age'], outputCols=['imputed_Age'])
imp_model = imputer.fit(df)
transformed_df = imp_model.transform(df)
transformed_df \
    .groupBy('Class') \
    .agg(F.avg('Age'))

Спасибо за Ваш ответ. Кстати, это не совсем то, что я хотел. Мне нужно вменять среднее значение возраста, когда класс == 1 в отсутствующих значениях возраста, когда класс == 1, среднее значение возраста, когда класс == 2 в отсутствующих значениях возраста, когда класс == 2, и то же самое, когда Class == 3.

sneaky_lobster 10.09.2018 13:57
Ответ принят как подходящий

Используя Imputer, вы можете отфильтровать набор данных по каждому значению Class, вычислить среднее значение, а затем снова объединить их, поскольку вы заранее знаете, какими могут быть значения:

subsets = []
for i in range(1, 4):
    imputer = Imputer(inputCols=['Age'], outputCols=['imputed_Age'])
    subset_df = df.filter(col('Class') == i)
    imputed_subset = imputer.fit(subset_df).transform(subset_df)
    subsets.append(imputed_subset)
# Union them together
# If you only have 3 just do it without a loop
imputed_df = subsets[0].unionByName(subsets[1]).unionByName(subsets[2])

Если вы не знаете заранее, каковы значения, или если их сложно итерировать, вы можете groupBy, получить средние значения для каждой группы в виде DataFrame, а затем объединить их обратно в исходный фрейм данных.

import pyspark.sql.functions as F
averages = df.groupBy("Class").agg(F.avg("Age").alias("avgAge"))
df_with_avgs = df.join(averages, on = "Class")
imputed_df = df_with_avgs.withColumn("imputedAge", F.coalesce("Age", "avgAge"))

Другие вопросы по теме