在spark scala中为数据帧中的每个组采样不同数量的随机行

Question

目标是为每个组在数据帧中采样（不替换）不同数量的行。特定组要采样的行数在另一个数据帧中。

示例：idDF是要从中采样的数据帧。这些组由ID列表示。数据框planDF指定每个组要采样的行数，其中“datesToUse”表示行数，“ID”表示组。“totalDates”是该组的总行数，可能有用，也可能无用。

最终结果应包括从第一组（ID 1）中取样的3行、从第二组（ID 2）中取样的2行和从第三组（ID 3）中取样的1行。

val idDF = Seq(
  (1, "2017-10-03"),
  (1, "2017-10-22"),
  (1, "2017-11-01"),
  (1, "2017-10-02"),
  (1, "2017-10-09"),
  (1, "2017-12-24"),
  (1, "2017-10-20"),
  (2, "2017-11-17"),
  (2, "2017-11-12"),
  (2, "2017-12-02"),      
  (2, "2017-10-03"),
  (3, "2017-12-18"),
  (3, "2017-11-21"),
  (3, "2017-12-13"),
  (3, "2017-10-08"),
  (3, "2017-10-16"),
  (3, "2017-12-04")
 ).toDF("ID", "date")

val planDF = Seq(
  (1, 3, 7),
  (2, 2, 4),
  (3, 1, 6)
 ).toDF("ID", "datesToUse", "totalDates")

这是一个示例，说明了生成的数据帧应该是什么样子：

+---+----------+
| ID|      date|
+---+----------+
|  1|2017-10-22|
|  1|2017-11-01|
|  1|2017-10-20|
|  2|2017-11-12|
|  2|2017-10-03|
|  3|2017-10-16|
+---+----------+

到目前为止，我尝试使用DataFrame的示例方法：https://spark.apache.org/docs/1.5.0/api/java/org/apache/spark/sql/DataFrame.html下面是一个适用于整个数据帧的示例。

def sampleDF(DF: DataFrame, datesToUse: Int, totalDates: Int): DataFrame = {
  val fraction = datesToUse/totalDates.toFloat.toDouble
  DF.sample(false, fraction)
}

我不知道如何在每个小组中使用这样的东西。我尝试将planDF表连接到idDF表，并使用窗口分区。

我的另一个想法是以某种方式创建一个随机标记为True/false的新列，然后在该列上进行筛选。

Answer 1

假设您的planDF足够小，可以collected，您可以使用Scala的foldLeft遍历id列表，并根据id累积样本数据帧：

import org.apache.spark.sql.{Row, DataFrame}

def sampleByIdDF(DF: DataFrame, id: Int, datesToUse: Int, totalDates: Int): DataFrame = {
  val fraction = datesToUse.toDouble / totalDates
  DF.where($"id" === id ).sample(false, fraction)
}

val emptyDF = Seq.empty[(Int, String)].toDF("ID", "date")

val planList = planDF.rdd.collect.map{ case Row(x: Int, y: Int, z: Int) => (x, y, z) }
// planList: Array[(Int, Int, Int)] = Array((1,3,7), (2,2,4), (3,1,6))

planList.foldLeft( emptyDF ){
  case (accDF: DataFrame, (id: Int, num: Int, total: Int)) =>
    accDF union sampleByIdDF(idDF, id, num, total)
}
// res1: org.apache.spark.sql.DataFrame = [ID: int, date: string]

// res1.show
// +---+----------+
// | ID|      date|
// +---+----------+
// |  1|2017-10-03|
// |  1|2017-11-01|
// |  1|2017-10-02|
// |  1|2017-12-24|
// |  1|2017-10-20|
// |  2|2017-11-17|
// |  2|2017-11-12|
// |  2|2017-12-02|
// |  3|2017-11-21|
// |  3|2017-12-13|
// +---+----------+

请注意，方法sample（）不一定会生成方法参数中指定的确切样本数。这是一个相关的问题

如果您的PLANDF很大，您可能需要考虑使用RDD的U、COMPOP：（u，u）＝u（隐式证据30美元：Scala。IsCurras.CasStasg [U]）：u“Re=“NoFoLoLoeFror”>聚合，它具有以下签名（跳过隐式参数）：

def aggregate[U](zeroValue: U)(seqOp: (U, T) ⇒ U, combOp: (U, U) ⇒ U): U

它的工作原理有点像foldLeft，不同的是它在一个分区内有一个累加运算符，另外还有一个累加运算符来处理来自不同分区的结果。

Answer 2

另一个完全停留在数据帧中的选项是使用planDF计算概率，加入idDF，附加一列随机数，然后过滤。有用的是，sql。函数有一个rand函数。

import org.apache.spark.sql.functions._

import spark.implicits._

val probabilities = planDF.withColumn("prob", $"datesToUse" / $"totalDates")

val dfWithProbs = idDF.join(probabilities, Seq("ID"))
  .withColumn("rand", rand())
  .where($"rand" < $"prob")

（您需要再次检查这不是整数除法。）