Как стандартизировать столбец в PySpark без использования StandardScaler?

Похоже, это должно сработать, но я получаю ошибки:

mu =  mean(df[input])
sigma = stddev(df[input])
dft = df.withColumn(output, (df[input]-mu)/sigma)
pyspark.sql.utils.AnalysisException: "grouping expressions sequence is
empty, and '`user`' is not an aggregate function. Wrap
'(((CAST(`sum(response)` AS DOUBLE) - avg(`sum(response)`)) /
stddev_samp(CAST(`sum(response)` AS DOUBLE))) AS `scaled`)' in
windowing function(s) or wrap '`user`' in first() (or first_value) if
you don't care which value you get.;;\nAggregate [user#0,
sum(response)#26L, ((cast(sum(response)#26L as double) -
avg(sum(response)#26L)) / stddev_samp(cast(sum(response)#26L as
double))) AS scaled#46]\n+- AnalysisBarrier\n      +- Aggregate
[user#0], [user#0, sum(cast(response#3 as bigint)) AS
sum(response)#26L]\n         +- Filter item_id#1 IN
(129,130,131,132,133,134,135,136,137,138)\n            +-
Relation[user#0,item_id#1,response_value#2,response#3,trait#4,response_timestamp#5] 
csv\n"

Я не уверен, что происходит с этим сообщением об ошибке.

Это работает только для векторов.

Evan Zamir 09.08.2018 23:47
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
1
849
2

Ответы 2

К счастью, мне удалось найти работающий код:

summary =  df.select([mean(input).alias('mu'), stddev(input).alias('sigma')])\
    .collect().pop()
dft = df.withColumn(output, (df[input]-summary.mu)/summary.sigma)

@pault Не стесняйтесь предлагать ответ, который, по вашему мнению, лучше.

Evan Zamir 10.08.2018 00:42

Использование collect() в целом не является хорошим решением, и вы увидите, что это не будет масштабироваться по мере роста ваших данных.

Если вы не хотите использовать StandardScaler, лучше использовать Window для вычисления среднего и стандартного отклонения.

Заимствуя тот же пример из StandardScaler в Spark не работает должным образом:

from pyspark.sql.functions import col, mean, stddev
from pyspark.sql import Window

df = spark.createDataFrame(
    np.array(range(1,10,1)).reshape(3,3).tolist(),
    ["int1", "int2", "int3"]
)
df.show()
#+----+----+----+
#|int1|int2|int3|
#+----+----+----+
#|   1|   2|   3|
#|   4|   5|   6|
#|   7|   8|   9|
#+----+----+----+

Предположим, вы хотите стандартизировать столбец int2:

input_col = "int2"
output_col = "int2_scaled"

w = Window.partitionBy()

mu = mean(input_col).over(w)
sigma = stddev(input_col).over(w)

df.withColumn(output_col, (col(input_col) - mu)/(sigma)).show()
#+----+----+----+-----------+
#|int1|int2|int3|int2_scaled|
#+----+----+----+-----------+
#|   1|   2|   3|       -1.0|
#|   7|   8|   9|        1.0|
#|   4|   5|   6|        0.0|
#+----+----+----+-----------+

Если вы хотите использовать стандартное отклонение генеральной совокупности, как в другом примере, замените pyspark.sql.functions.stddev на pyspark.sql.functions.stddev_pop().

Хороший ответ! Спасибо.

Evan Zamir 10.08.2018 19:22

Другие вопросы по теме