Classe DataFrameStatFunctions
Fonctionnalité pour les fonctions statistiques avec un DataFrame.
Prend en charge Spark Connect
Syntaxe
Python
DataFrame.stat
Méthodes
Méthode | Description |
|---|---|
Calcule les quantiles approximatifs des colonnes numériques d'un DataFrame. | |
Calcule la corrélation de deux colonnes sous forme de valeur double. Actuellement, seul le coefficient de corrélation de Pearson est pris en charge. | |
Calcule la covariance échantillon pour les colonnes données sous forme de valeur double. | |
Calcule une table de fréquences par paires des colonnes données. | |
Trouve les éléments fréquents pour les colonnes, éventuellement avec des faux positifs. | |
Renvoie un échantillon stratifié sans remplacement basé sur la fraction donnée sur chaque strate. |
Exemples
Quantiles approximatifs
Python
data = [(1,), (2,), (3,), (4,), (5,)]
df = spark.createDataFrame(data, ["values"])
df.stat.approxQuantile("values", [0.0, 0.5, 1.0], 0.05)
Output
[1.0, 3.0, 5.0]
Corrélation
Python
df = spark.createDataFrame([(1, 12), (10, 1), (19, 8)], ["c1", "c2"])
df.stat.corr("c1", "c2")
Output
-0.3592106040535498
Covariance
Python
df = spark.createDataFrame([(1, 12), (10, 1), (19, 8)], ["c1", "c2"])
df.stat.cov("c1", "c2")
Output
-18.0
Tableau croisé
Python
df = spark.createDataFrame([(1, 11), (1, 11), (3, 10), (4, 8), (4, 8)], ["c1", "c2"])
df.stat.crosstab("c1", "c2").sort("c1_c2").show()
Output
+-----+---+---+---+
|c1_c2| 10| 11| 8|
+-----+---+---+---+
| 1| 0| 2| 0|
| 3| 1| 0| 0|
| 4| 0| 0| 2|
+-----+---+---+---+
Éléments fréquents
Python
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()
Output
+------------+------------+
|c1_freqItems|c2_freqItems|
+------------+------------+
| [1, 3, 4]| [8, 10, 11]|
+------------+------------+
Échantillon stratifié
Python
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()
Output
+---+-----+
|key|count|
+---+-----+
| 0| 4|
| 1| 9|
+---+-----+