如何在Spark SQL中为每个组创建z分数
问题内容：
我有一个看起来像这样的数据框
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，我想创建第三列，每个列的z分数TranAmount将是
(TranAmount-mean(TranAmount))/StdDev(TranAmount)
这里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中计算均值和标准差。
(datafromdb
.groupBy("dSc")
.agg(datafromdb.dSc, func.avg("TranAmount") ,func.stddev_pop("TranAmount")))
但是我对如何在数据框中使用z分数获得第三列感到困惑。我将不胜感激任何指向达到此目的的正确方法的指针/
问题答案：
例如，您可以join使用原始数据计算统计信息：
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))
或使用具有标准偏差公式的窗口函数：
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))
