4

我正在为 Pyspark 中的分类器准备输入数据。我一直在 SparkSQL 中使用聚合函数来提取平均值和方差等特征。这些按活动、名称和窗口分组。Window 的计算方法是将 unix 时间戳除以 10000 以分解为 10 秒的时间窗口。

sample = sqlContext.sql("SELECT activity, name, window, avg(acc_x) as avgX , variance(acc_x) as varX FROM data  GROUP BY activity,name,window ORDER BY activity,name,window")

结果看起来像

Activity  Name         Window       AvgX       VarX
Walk    accelerometer  95875        2.0          1.0

我现在要做的是计算 X 中每个点的平均斜率。

为此，我需要时间戳、窗口和 X。我已经在 Python 中使用数组实现了逻辑，这就是它的样子——计算每个点之间的斜率，然后得到平均斜率。理想情况下，我想在 Pyspark 尚不支持的 UDAF 中执行此操作。（看起来像这样，假设下面的函数被称为斜坡。然后在 sql 中你可以做slope(timestamp, X) as avgSlopeX

编辑 - 更改输入，使其更清晰。 所以，我正在做的是计算每个点之间的斜率，然后返回该窗口中斜率的平均值。所以，当我得到每个窗口的平均值和方差时，我也想得到平均斜率。

#sample input
timestamp = [1464703425544,1464703426534,1464703427551,1464703428587,1464703429512,1464703430493,1464703431505,1464703432543,1464703433513,1464703434529]

values = [1021.31,1021.26,1021.19,1021.19,1021.1,1021.1,1021.1, 1021.05,1021.02]

i = 0; 
slope = 0.0;
totalSlope = 0.0;

while (i < len(timestamp) - 1):
    y2 = values[i+1];
    y1 = values[i];

    x2 = timestamp[i + 1];
    x1 = timestamp[i]; 
    slope = ((y2-y1)/(x2-x1)); 
    totalSlope = totalSlope + slope;
    i=i+1

avgSlope = (totalSlope/len(x_values))

我该如何实施？我应该尝试转换为熊猫数据框然后转换为 numpy 数组吗？如果是这样，我如何确保数据仍能正确映射，记住 GROUP BY 活动，sql 查询中的名称窗口。

4

1 回答 1

4

一般来说，这不是 UDAF 的工作，因为 UDAF 不提供任何定义顺序的方法。看起来您真正需要的是窗口函数和标准聚合的某种组合。

from pyspark.sql.functions import col, lag, avg
from pyspark.sql.window import Window

df = ... 
## DataFrame[activity: string, name: string, window: bigint, 
##   timestamp: bigint, value: float]

group = ["activity", "name", "window"]

w = (Window()
    .partitionBy(*group)
    .orderBy("timestamp"))

v_diff = col("value") - lag("value", 1).over(w)
t_diff = col("timestamp") - lag("timestamp", 1).over(w)

slope = v_diff / t_diff

df.withColumn("slope", slope).groupBy(*group).agg(avg(col("slope")))
于 2016-07-04T10:27:41.573 回答