我希望我已经用正确的措辞描述了我需要做的工作。本质上,我需要"压缩"一系列值,使所有值都更接近平均值,但它们的值应该相对于与平均值的距离而减少(或增加(。。。
数据帧如下所示:
>>> df[['population', 'postalCode']].show(10)
+----------+----------+
|population|postalCode|
+----------+----------+
| 1464| 96028|
| 465| 96015|
| 366| 96016|
| 5490| 96101|
| 183| 96068|
| 569| 96009|
| 366| 96054|
| 90| 96119|
| 557| 96006|
| 233| 96116|
+----------+----------+
only showing top 10 rows
>>> df.describe().show()
+-------+------------------+------------------+
|summary| population| postalCode|
+-------+------------------+------------------+
| count| 1082| 1082|
| mean|23348.511090573014| 93458.60813308688|
| stddev|21825.045923603615|1883.6307236060127|
+-------+------------------+------------------+
总体平均值对我来说是正确的,但我需要它周围的方差更小。。。
希望这是有意义的,非常感谢在pyspark或node.js中执行此工作的任何帮助。
总体思路是:
- 将平均值转换为零
- 重新缩放到新的标准偏差
- 转换为所需的平均值(在这种情况下,为原始平均值(
在伪代码中,如果您的值存储在变量x
:中
x.scaled = new.mean + (x - mean(x)) * new.SD/sd(x)
或者,对于SD=1000且平均值不变的特定情况:
x.scaled = mean(x) + (x - mean(x)) * 1000/sd(x)