pyspark实现连续数据分桶并映射到自定义标签(类似panda.cut功能)

本篇要解决的问题:利用pyspark已有的API实现pandas.cut的功能。
选择的工具是:分桶工具Bucketizer

示例代码

调试过程

  • 定义数据集
>>> splits = [float("-inf"),10000.0,20000.0,30000.0,float('inf')]
>>> labels = [ "(-inf,10000)","[10000,20000)","[20000,30000)","[30000,inf)"]
>>> df = sc.parallelize([(1,4000),(2,12000),(3,13500),(4,21000),(5,31000)]).toDF(['id','sale'])
>>> df.show()
+---+-----+
| id| sale|
+---+-----+
|  1| 4000|
|  2|12000|
|  3|13500|
|  4|21000|
|  5|31000|
+---+-----+
  • 分桶
>>> from pyspark.ml.feature import Bucketizer
>>> from pyspark.sql.functions import array, col, lit
>>> bucketizer = Bucketizer(splits=splits, inputCol='sale',outputCol='split')
>>> with_split = bucketizer.transform(df)
>>> with_split.show()
+---+-----+-----+
| id| sale|split|
+---+-----+-----+
|  1| 4000|  0.0|
|  2|12000|  1.0|
|  3|13500|  1.0|
|  4|21000|  2.0|
|  5|31000|  3.0|
+---+-----+-----+
  • 显示分桶后标签

    • 方法一
    >>> label_array = array(*(lit(label) for label in labels))
    >>> print label_array
    Column<array((-inf,10000), [10000,20000), [20000,30000), [30000,inf))>
    >>> with_label = with_split.withColumn('label', label_array.getItem(col('split').cast('integer')))
    >>> with_label.show()
    +---+-----+-----+-------------+
    | id| sale|split|        label|
    +---+-----+-----+-------------+
    |  1| 4000|  0.0| (-inf,10000)|
    |  2|12000|  1.0|[10000,20000)|
    |  3|13500|  1.0|[10000,20000)|
    |  4|21000|  2.0|[20000,30000)|
    |  5|31000|  3.0|  [30000,inf)|
    +---+-----+-----+-------------+
    
    • 方法二:其实与方法一相同,只不过改成了udf的方式。
    >>> from pyspark.sql.functions import udf
    >>> from pyspark.sql.types import *
    >>> t = {0.0: "(-inf,10000)",1.0:"[10000,20000)",2.0:"[20000,30000)",3.0:"[30000,inf)"}
    >>> udf_foo = udf(lambda x: t[x], StringType())
    >>> with_split.withColumn("label",udf_foo("split")).show()
    +---+-----+-----+-------------+
    | id| sale|split|        label|
    +---+-----+-----+-------------+
    |  1| 4000|  0.0| (-inf,10000)|
    |  2|12000|  1.0|[10000,20000)|
    |  3|13500|  1.0|[10000,20000)|
    |  4|21000|  2.0|[20000,30000)|
    |  5|31000|  3.0|  [30000,inf)|
    +---+-----+-----+-------------+
    

整理成最终解决方案

将前面的过程最终整理成函数的形式

from pyspark.ml.feature import Bucketizer
from pyspark.sql.functions import array, col, lit

def cut(df,splits,inputCol,outputCol='cut',labels=[]):
    if len(splits) < 2:
        raise RuntimeError("splits's length must grater then 2.")
    
    if len(labels) != len(splits) -1:
        labels = []
        begin = str(splits[0])
        for i in range(1,len(splits)):
            end = str(splits[i])
            labels.append("[%s,%s)" % (begin,end))
            begin = end
    
    bucketizer = Bucketizer(splits=splits, inputCol=inputCol,outputCol='split')
    with_split = bucketizer.transform(df)
    label_array = array(*(lit(label) for label in labels))
    with_label = with_split.withColumn(outputCol, label_array.getItem(col('split').cast('integer')))
    return with_label

df = sc.parallelize([(1,4000),(2,12000),(3,13500),(4,21000),(5,31000)]).toDF(['id','sale'])
splits = [float("-inf"),10000.0,20000.0,30000.0,float('inf')]

dfr=cut(df,splits,inputCol='sale')
dfr.show()

输出结果如下:

+---+-----+-----+-----------------+
| id| sale|split|              cut|
+---+-----+-----+-----------------+
|  1| 4000|  0.0|   [-inf,10000.0)|
|  2|12000|  1.0|[10000.0,20000.0)|
|  3|13500|  1.0|[10000.0,20000.0)|
|  4|21000|  2.0|[20000.0,30000.0)|
|  5|31000|  3.0|    [30000.0,inf)|
+---+-----+-----+-----------------+

Bucketizer知识点补充说明

Bucketizer的作用是将连续值映射到离散的桶中,分桶规则是左闭右开

  • 下面的示例测试了分桶的边界取值逻辑
>>> df1 = sc.parallelize([(1,4000),(2,10000),(3,13500),(4,20000),(5,31000)]).toDF(['id','sale'])
>>> with_split1 = bucketizer.transform(df1)
>>> with_split1.show()
+---+-----+-----+
| id| sale|split|
+---+-----+-----+
|  1| 4000|  0.0|
|  2|10000|  1.0|
|  3|13500|  1.0|
|  4|20000|  2.0|
|  5|31000|  3.0|
+---+-----+-----+

>>> with_split1.withColumn('label', label_array.getItem(col('split').cast('integer'))).show()
+---+-----+-----+-------------+
| id| sale|split|        label|
+---+-----+-----+-------------+
|  1| 4000|  0.0| (-inf,10000)|
|  2|10000|  1.0|[10000,20000)|
|  3|13500|  1.0|[10000,20000)|
|  4|20000|  2.0|[20000,30000)|
|  5|31000|  3.0|  [30000,inf)|
+---+-----+-----+-------------+

参考资料

https://stackoverflow.com/questions/39655880/how-to-divide-a-numerical-columns-in-ranges-and-assign-labels-for-each-range-in
https://stackoverflow.com/questions/46225587/how-to-bin-in-pyspark

最后编辑于
?著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 214,172评论 6 493
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 91,346评论 3 389
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事?!?“怎么了?”我有些...
    开封第一讲书人阅读 159,788评论 0 349
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 57,299评论 1 288
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 66,409评论 6 386
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 50,467评论 1 292
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 39,476评论 3 412
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 38,262评论 0 269
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 44,699评论 1 307
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 36,994评论 2 328
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 39,167评论 1 343
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 34,827评论 4 337
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 40,499评论 3 322
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 31,149评论 0 21
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 32,387评论 1 267
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 47,028评论 2 365
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 44,055评论 2 352