是否可以通过分布的方式找到火花中位数?我目前发现:Sum
,Average
,Variance
,Count
使用下面的代码:pySpark以分布式方式查找中位数?
dataSumsRdd = numRDD.filter(lambda x: filterNum(x[1])).map(lambda line: (line[0], float(line[1])))\
.aggregateByKey((0.0, 0.0, 0.0),
lambda (sum, sum2, count), value: (sum + value, sum2 + value**2, count+1.0),
lambda (suma, sum2a, counta), (sumb, sum2b, countb): (suma + sumb, sum2a + sum2b, counta + countb))
#Generate RDD of Count, Sum, Average, Variance
dataStatsRdd = dataSumsRdd.mapValues(lambda (sum, sum2, count) : (count, sum, sum/count, round(sum2/count - (sum/count)**2, 7)))
我不太清楚如何找到中位数虽然。为了找到标准差,我只是用平方根方差做局部结果。一旦我收集到中位数,我就可以轻松地在本地进行Skewness。
我在键/值对(键=列)
看看[这个问题](http://stackoverflow.com/questions/28158729/how-can-i-calculate-exact-median-with-apache-spark)。高效的分布式中值算法并不简单。 – nrg