PySpark groupBy 中的中位数/分位数

我想你不再需要它了。但是会留在这里留给后代（即下周我忘记的时候）。

from pyspark.sql import Window
import pyspark.sql.functions as F

grp_window = Window.partitionBy('grp')
magic_percentile = F.expr('percentile_approx(val, 0.5)')

df.withColumn('med_val', magic_percentile.over(grp_window))

或者为了准确解决您的问题，这也有效：

df.groupBy('grp').agg(magic_percentile.alias('med_val'))

作为奖励，您可以传递一组百分位数：

quantiles = F.expr('percentile_approx(val, array(0.25, 0.5, 0.75))')

作为回报，你会得到一份清单。

---

由于您可以访问 percentile_approx，一个简单的解决方案是在 SQL 命令中使用它：

from pyspark.sql import SQLContext
sqlContext = SQLContext(sc)

df.registerTempTable("df")
df2 = sqlContext.sql("select grp, percentile_approx(val, 0.5) as med_val from df group by grp")

---

（更新：现在有可能，请参阅上面接受的答案）

不幸的是，据我所知，使用“纯”PySpark 命令似乎不可能做到这一点（Shaido 的解决方案提供了 SQL 的解决方法），原因非常基本：与其他聚合相比函数，例如 mean、approxQuantile 不返回 Column 类型，而是返回一个 list。

让我们看一个示例数据的快速示例：

spark.version
# u'2.2.0'

import pyspark.sql.functions as func
from pyspark.sql import DataFrameStatFunctions as statFunc

# aggregate with mean works OK:
df_grp_mean = df.groupBy('grp').agg(func.mean(df['val']).alias('mean_val'))
df_grp_mean.show()
# +---+--------+ 
# |grp|mean_val|
# +---+--------+
# |  B|     5.0|
# |  A|     2.0|
# +---+--------+

# try aggregating by median:
df_grp_med = df.groupBy('grp').agg(statFunc(df).approxQuantile('val', [0.5], 0.1))
# AssertionError: all exprs should be Column

# mean aggregation is a Column, but median is a list:

type(func.mean(df['val']))
# pyspark.sql.column.Column

type(statFunc(df).approxQuantile('val', [0.5], 0.1))
# list

我怀疑基于窗口的方法会有所作为，因为正如我所说的那样，根本原因是非常基本的。

另请参阅 my answer here 了解更多详细信息。

---

使用 pyspark==2.4.5 执行此操作的最简单方法是：

df \
    .groupby('grp') \
    .agg(expr('percentile(val, array(0.5))')[0].alias('50%')) \
    .show()

输出：

|grp|50%|
+---+---+
|  B|5.0|
|  A|2.0|
+---+---+

---

pyspark >= 3.1.0 使用 percentile_approx 似乎完全解决了它

import pyspark.sql.functions as func    

df.groupBy("grp").agg(func.percentile_approx("val", 0.5).alias("median"))

有关详细信息，请参阅：https://spark.apache.org/docs/3.1.1/api/python/reference/api/pyspark.sql.functions.percentile_approx.html

---

“percentile_approx(val, 0.5)”的问题：如果例如范围是 [1,2,3,4]，则此函数返回 2（作为中值）以下函数返回 2.5：

import statistics

median_udf = F.udf(lambda x: statistics.median(x) if bool(x) else None, DoubleType())

... .groupBy('something').agg(median_udf(F.collect_list(F.col('value'))).alias('median'))

---