SPARK-30569 - 添加DSL功能调用percentile_approx
你可以使用approxQuantile实现Greenwald-Khanna算法的方法：
df.approxQuantile("x", [0.5], 0.25)
df.stat.approxQuantile("x", Array(0.5), 0.25)
最后一个参数是相对误差。数字越低，结果越准确，计算量也越多。
从Spark 2.2（SPARK-14352）开始，它支持对多个列的估算：
df.approxQuantile(["x", "y", "z"], [0.5], 0.25)
和
df.approxQuantile(Array("x", "y", "z"), Array(0.5), 0.25)
底层方法也可以用于使用approx_percentile功能的sql聚合（全局和摸索）中：
> SELECT approx_percentile(10.0, array(0.5, 0.4, 0.1), 100);
[10.0,10.0,10.0]
> SELECT approx_percentile(10.0, 0.5, 100);
10.0
Python
正如我在评论中提到的那样，很可能不值得大惊小怪。如果数据相对较小（如你的情况），则只需在本地收集和计算中位数即可：
import numpy as np
np.random.seed(323)
rdd = sc.parallelize(np.random.randint(1000000, size=700000))
%time np.median(rdd.collect())
np.array(rdd.collect()).nbytes
在我使用了几年的旧计算机上，大约需要0.01秒的时间，大约需要5.5MB的内存。
如果数据大得多，排序将是一个限制因素，因此与其获取确切的值，不如直接在本地进行采样，收集和计算。但是，如果你真的想要使用Spark，可以使用以下方法解决问题（如果我没有弄乱任何东西）：
from numpy import floor
import time
def quantile(rdd, p, sample=None, seed=None):
"""Compute a quantile of order p ∈ [0, 1]
:rdd a numeric rdd
:p quantile(between 0 and 1)
:sample fraction of and rdd to use. If not provided we use a whole dataset
:seed random number generator seed to be used with sample
"""
assert 0 <= p <= 1
assert sample is None or 0 < sample <= 1
seed = seed if seed is not None else time.time()
rdd = rdd if sample is None else rdd.sample(False, sample, seed)
rddSortedWithIndex = (rdd.
sortBy(lambda x: x).
zipWithIndex().
map(lambda (x, i): (i, x)).
cache())
n = rddSortedWithIndex.count()
h = (n - 1) * p
rddX, rddXPlusOne = (
rddSortedWithIndex.lookup(x)[0]
for x in int(floor(h)) + np.array([0L, 1L]))
return rddX + (h - floor(h)) * (rddXPlusOne - rddX)
和一些测试：
np.median(rdd.collect()), quantile(rdd, 0.5)
## (500184.5, 500184.5)
np.percentile(rdd.collect(), 25), quantile(rdd, 0.25)
## (250506.75, 250506.75)
np.percentile(rdd.collect(), 75), quantile(rdd, 0.75)
(750069.25, 750069.25)
最后让我们定义中位数：
from functools import partial
median = partial(quantile, p=0.5)
到目前为止还算不错，但是在本地模式下需要4.66 s，而没有任何网络通信。可能有改善的方法，但是为什么还要麻烦呢？
与语言无关（Hive UDAF）：
如果使用HiveContext，也可以使用Hive UDAF。具有整数值：
rdd.map(lambda x: (float(x), )).toDF(["x"]).registerTempTable("df")
sqlContext.sql("SELECT percentile_approx(x, 0.5) FROM df")
具有连续值：
sqlContext.sql("SELECT percentile(x, 0.5) FROM df")
在其中percentile_approx可以传递一个附加参数，该参数确定要使用的记录数。
602392714
清零编程群