Classe DataFrameStatFunctions
Funcionalidade para funções estatísticas com um DataFrame.
Compatível com Spark Connect
Sintaxe
Python
DataFrame.stat
Métodos
Método | Descrição |
|---|---|
Calcula os quantis aproximados das colunas numéricas de um DataFrame. | |
Calcula a correlação entre duas colunas como um valor do tipo double. Atualmente, suporta apenas o Coeficiente de Correlação de Pearson. | |
Calcula a covariância da amostra para as colunas fornecidas como um valor do tipo double. | |
Calcule uma tabela de frequência par a par das colunas fornecidas. | |
Encontra itens frequentes em colunas, possivelmente com falsos positivos. | |
Retorna uma amostra estratificada sem reposição com base na fração fornecida em cada estrato. |
Exemplos
quantis aproximados
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]
Correlação
Python
df = spark.createDataFrame([(1, 12), (10, 1), (19, 8)], ["c1", "c2"])
df.stat.corr("c1", "c2")
Output
-0.3592106040535498
Covariância
Python
df = spark.createDataFrame([(1, 12), (10, 1), (19, 8)], ["c1", "c2"])
df.stat.cov("c1", "c2")
Output
-18.0
tabulação cruzada
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|
+-----+---+---+---+
Itens frequentes
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]|
+------------+------------+
Amostra estratificada
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|
+---+-----+