用於使用資料框架進行統計函數的功能。
支援 Spark Connect
語法
DataFrame.stat
方法
| 方法 | 說明 |
|---|---|
approxQuantile(col, probabilities, relativeError) |
計算資料框架數值欄位的近似分位數。 |
corr(col1, col2, method) |
計算兩欄的相關性為雙重值。 目前只支援 Pearson 相關係數。 |
cov(col1, col2) |
計算給定欄位的樣本協方差為雙倍值。 |
crosstab(col1, col2) |
計算給定欄位的成對頻率表。 |
freqItems(cols, support) |
在欄位中發現頻繁的項目，可能有誤報。 |
sampleBy(col, fractions, seed) |
根據每個層的分數，回傳一個無置換的分層樣本。 |
Examples
近似分位數
data = [(1,), (2,), (3,), (4,), (5,)]
df = spark.createDataFrame(data, ["values"])
df.stat.approxQuantile("values", [0.0, 0.5, 1.0], 0.05)
[1.0, 3.0, 5.0]
相關性
df = spark.createDataFrame([(1, 12), (10, 1), (19, 8)], ["c1", "c2"])
df.stat.corr("c1", "c2")
-0.3592106040535498
協變性
df = spark.createDataFrame([(1, 12), (10, 1), (19, 8)], ["c1", "c2"])
df.stat.cov("c1", "c2")
-18.0
交叉統計
df = spark.createDataFrame([(1, 11), (1, 11), (3, 10), (4, 8), (4, 8)], ["c1", "c2"])
df.stat.crosstab("c1", "c2").sort("c1_c2").show()
+-----+---+---+---+
|c1_c2| 10| 11| 8|
+-----+---+---+---+
| 1| 0| 2| 0|
| 3| 1| 0| 0|
| 4| 0| 0| 2|
+-----+---+---+---+
常見物品
from pyspark.sql import functions as sf
df = spark.createDataFrame([(1, 11), (1, 11), (3, 10), (4, 8), (4, 8)], ["c1", "c2"])
df2 = df.stat.freqItems(["c1", "c2"])
df2.select([sf.sort_array(c).alias(c) for c in df2.columns]).show()
+------------+------------+
|c1_freqItems|c2_freqItems|
+------------+------------+
| [1, 3, 4]| [8, 10, 11]|
+------------+------------+
分層樣本
from pyspark.sql import functions as sf
dataset = spark.range(0, 100, 1, 5).select((sf.col("id") % 3).alias("key"))
dataset.stat.sampleBy("key", fractions={0: 0.1, 1: 0.2}, seed=0).groupBy("key").count().orderBy("key").show()
+---+-----+
|key|count|
+---+-----+
| 0| 4|
| 1| 9|
+---+-----+