用Scala-Spark中的平均值填充Nan

Question

我有一个带有6列的RDD，其中最后5列可能包含NaN。我的目的是用非Nan的最后5个值的其余值的平均值替换NaN。例如，具有这种输入：

1, 2, 3, 4, 5, 6 
2, 2, 2, NaN, 4, 0 
3, NaN, NaN, NaN, 6, 0 
4, NaN, NaN, 4, 4, 0 

输出应该是：

1, 2, 3, 4, 5, 6 
2, 2, 2, 2, 4, 0 
3, 3, 3, 3, 6, 0 
4, 3, 3, 4, 4, 0 

我知道如何填补这些NaN的配列改造RDD到DataFrame的平均值：

var aux1 = df.select(df.columns.map(c => mean(col(c))) :_*) 
var aux2 = df.na.fill(/*get values of aux1*/) 

我的问题是，你如何做这个操作，而不是用平均列填充NaN，用平均值填充一个子集行的p？

Answer 1

你可以通过定义一个函数来获取平均做到这一点，和其他功能连续补空。

由于DF您呈现：

val df = sc.parallelize(List((Some(1),Some(2),Some(3),Some(4),Some(5),Some(6)),(Some(2),Some(2),Some(2),None,Some(4),Some(0)),(Some(3),None,None,None,Some(6),Some(0)),(Some(4),None,None,Some(4),Some(4),Some(0)))).toDF("a","b","c","d","e","f") 

我们需要一个函数来获取行的意思是：

import org.apache.spark.sql.Row 
def rowMean(row: Row): Int = { 
    val nonNulls = (0 until row.length).map(i => (!row.isNullAt(i), row.getAs[Int](i))).filter(_._1).map(_._2).toList 
    nonNulls.sum/nonNulls.length 
} 

，另一个在行填充空值：

def rowFillNulls(row: Row, fill: Int): Row = { 
    Row((0 until row.length).map(i => if (row.isNullAt(i)) fill else row.getAs[Int](i)) : _*) 
} 

现在，我们可以首先计算每一行平均：

val rowWithMean = df.map(row => (row,rowMean(row))) 

然后往里面：

val result = sqlContext.createDataFrame(rowWithMean.map{case (row,mean) => rowFillNulls(row,mean)}, df.schema) 

之前和之后的最后查看...

df.show 
+---+----+----+----+---+---+ 
| a| b| c| d| e| f| 
+---+----+----+----+---+---+ 
| 1| 2| 3| 4| 5| 6| 
| 2| 2| 2|null| 4| 0| 
| 3|null|null|null| 6| 0| 
| 4|null|null| 4| 4| 0| 
+---+----+----+----+---+---+ 

result.show 
+---+---+---+---+---+---+ 
| a| b| c| d| e| f| 
+---+---+---+---+---+---+ 
| 1| 2| 3| 4| 5| 6| 
| 2| 2| 2| 2| 4| 0| 
| 3| 3| 3| 3| 6| 0| 
| 4| 3| 3| 4| 4| 0| 
+---+---+---+---+---+---+ 

这会为任何宽度DF工作为int的列。您可以轻松地此更新到其它数据类型，甚至非数字（提示，检查DF模式！）

Answer 2

嗯，这是一个有趣的小问题 - 我会后我的解决办法，但我一定会看，看是否有人想出了这样做:)

首先一个更好的方式我会介绍一些udf S：

val avg = udf((values: Seq[Integer]) => { 
    val notNullValues = values.filter(_ != null).map(_.toInt) 
    notNullValues.sum/notNullValues.length 
}) 

val replaceNullWithAvg = udf((x: Integer, avg: Integer) => if(x == null) avg else x) 

，我会再申请到DataFrame这样的：

dataframe 
    .withColumn("avg", avg(array(df.columns.tail.map(s => df.col(s)):_*))) 
    .select('col1, replaceNullWithAvg('col2, 'avg) as "col2", replaceNullWithAvg('col3, 'avg) as "col3", replaceNullWithAvg('col4, 'avg) as "col4", replaceNullWithAvg('col5, 'avg) as "col5", replaceNullWithAvg('col6, 'avg) as "col6") 

这将让你什么ÿ OU正在寻找，但无疑不是最复杂的代码，我曾经放在一起......

Answer 3

一堆进口：

import org.apache.spark.sql.functions.{col, isnan, isnull, round, when} 
import org.apache.spark.sql.Column 

一些辅助函数：

def nullOrNan(c: Column) = isnan(c) || isnull(c) 

def rowMean(cols: Column*): Column = { 
    val sum = cols 
    .map(c => when(nullOrNan(c), lit(0.0)).otherwise(c)) 
    .fold(lit(0.0))(_ + _) 
    val count = cols 
    .map(c => when(nullOrNan(c), lit(0.0)).otherwise(lit(1.0))) 
    .fold(lit(0.0))(_ + _) 
    sum/count 
} 

A液：

val mean = round(
    rowMean(df.columns.tail.map(col): _*) 
).cast("int").alias("mean") 

val exprs = df.columns.tail.map(
    c => when(nullOrNan(col(c)), mean).otherwise(col(c)).alias(c) 
) 

val filled = df.select(col(df.columns(0)) +: exprs: _*)