Можно ли найти медианную в искру распределенным способом? Я в настоящее время находят: Sum
, Average
, Variance
, Count
используя следующий код:pySpark найти медиану распределенным способом?
dataSumsRdd = numRDD.filter(lambda x: filterNum(x[1])).map(lambda line: (line[0], float(line[1])))\
.aggregateByKey((0.0, 0.0, 0.0),
lambda (sum, sum2, count), value: (sum + value, sum2 + value**2, count+1.0),
lambda (suma, sum2a, counta), (sumb, sum2b, countb): (suma + sumb, sum2a + sum2b, counta + countb))
#Generate RDD of Count, Sum, Average, Variance
dataStatsRdd = dataSumsRdd.mapValues(lambda (sum, sum2, count) : (count, sum, sum/count, round(sum2/count - (sum/count)**2, 7)))
Я не совсем уверен, как найти Медиана хотя. Чтобы найти стандартное отклонение, я просто делаю результат локально с квадратичной дисперсией. Как только я соберу медиана, я могу, чем легко сделать Skewness на местном уровне.
У меня есть данные в пар/значение (ключ = столбец)
Посмотрите на [этот вопрос] (http://stackoverflow.com/questions/28158729/how-can-i-calculate-exact-median-with-apache-spark). Эффективный распределенный медианный алгоритм не является простым. – nrg