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。