如何在 Spark SQL 中为每个组创建 z 分数

Question

我有一个看起来像这样的数据帧

        dSc     TranAmount
 1: 100021      79.64
 2: 100021      79.64
 3: 100021       0.16
 4: 100022      11.65
 5: 100022       0.36
 6: 100022       0.47
 7: 100025       0.17
 8: 100037       0.27
 9: 100056       0.27
10: 100063       0.13
11: 100079       0.13
12: 100091       0.15
13: 100101       0.22
14: 100108       0.14
15: 100109       0.04

现在我想创建一个第三列，其中包含每个TranAmount的 z 分数，它将是

(TranAmount-mean(TranAmount))/StdDev(TranAmount)

此处的平均值和标准偏差将基于每个 dSc 的组

现在我可以在Spark SQL中计算平均值和标准偏差。

(datafromdb
  .groupBy("dSc")
  .agg(datafromdb.dSc, func.avg("TranAmount") ,func.stddev_pop("TranAmount")))

但我对如何在数据框中使用 z 分数实现第三列感到茫然。我将不胜感激任何指向实现这一目标的正确方法的指针/

Answer 1

例如，

您可以使用原始数据计算统计信息和join：

stats = (df.groupBy("dsc")
  .agg(
      func.stddev_pop("TranAmount").alias("sd"), 
      func.avg("TranAmount").alias("avg")))
df.join(broadcast(stats), ["dsc"])
(df
    .join(func.broadcast(stats), ["dsc"])
    .select("dsc", "TranAmount", (df.TranAmount - stats.avg) / stats.sd))

或者使用带有标准差公式的窗口函数：

from pyspark.sql.window import Window
import sys
def z_score_w(col, w):
    avg_ = func.avg(col).over(w)
    avg_sq = func.avg(col * col).over(w)
    sd_ = func.sqrt(avg_sq - avg_ * avg_)
    return (col - avg_) / sd_
w = Window().partitionBy("dsc").rowsBetween(-sys.maxsize, sys.maxsize)
df.withColumn("zscore", z_score_w(df.TranAmount, w))