如何计算RDD的标准偏差和平均值[多头].

Question

我有RDD[Long]叫做mod，我想使用Spark 2.2和Scala 2.11.8计算此RDD的标准偏差和平均值。

我该怎么做？

我尝试按如下方式计算平均值，但是有没有更简单的方法来获取这些值？

val avg_val = mod.toDF("col").agg(
    avg($"col").as("avg")
).first().toString().toDouble
val stddev_val = mod.toDF("col").agg(
    stddev($"col").as("avg")
).first().toString().toDouble

Answer 1

我有名为mod的RDD[Long]，我想计算标准偏差和平均值

只需使用stats：

scala> val mod = sc.parallelize(Seq(1L, 3L, 5L))
mod: org.apache.spark.rdd.RDD[Long] = ParallelCollectionRDD[0] at parallelize at <console>:24
scala> val stats = mod.stats
stats: org.apache.spark.util.StatCounter = (count: 3, mean: 3.000000, stdev: 1.632993, max: 5.000000, min: 1.000000)
scala> stats.mean
res0: Double = 3.0
scala> stats.stdev
res1: Double = 1.632993161855452

它使用相同的内部结构stdev和mean，但只需扫描一次数据。

有了Dataset，我建议：

val (avg_val, stddev_val) = mod.toDS
  .agg(mean("value"), stddev("value"))
  .as[(Double, Double)].first

或

import org.apache.spark.sql.Row
val Row(avg_val: Double, stddev_val: Double) = mod.toDS
  .agg(mean("value"), stddev("value"))
  .first

但它在这里既没有必要也没有用。

Answer 2

我认为这很简单：

mod.stdev()
mod.mean()