pyspark-如何在分层随机采样中使用（df.sampleByKey（））选择每个层的确切记录数

Question

我有一个Spark数据框（我正在使用pyspark）'orders'。它具有以下各列

['id', 'orderdate', 'customerid', 'status']

我正在尝试使用键列作为'状态'进行分层随机抽样。我的目标如下

>> create a new dataframe with exactly 5 random records per status

所以我选择的方法是使用.sampleBy（'strata_key'，{fraction_dict}）。但是我面临的挑战是为每个状态选择确切的分数值，这样每次我应该为每个状态准确获得5条随机记录。我已经按照下面的方法

1。为每个状态的总数创建字典，如下所示

#Total count of records for each order 'status' in 'ORDERS' dataframe is as below

d=dict([(x['status'],x['count']) for x in orders.groupBy("status").count().collect()])
print(d)

输出：

{'PENDING_PAYMENT': 15030, 'COMPLETE': 22899, 'ON_HOLD': 3798, 'PAYMENT_REVIEW': 729, 'PROCESSING': 8275, 'CLOSED': 7556, 'SUSPECTED_FRAUD': 1558, 
'PENDING': 7610, 'CANCELED': 1428}

2。创建了一个函数，该函数生成获取精确的N条记录所需的分数值

#Exact number of records needed per status
N=5

#function calculates fraction

def fraction_calc(count_dict,N)
    d_mod={}
    for i in d:
        d_mod[i]=(N/d[i])
    return d_mod

#creating dictionary of fractions using above function
fraction=fraction_calc(d,5)
print(fraction)

输出：

{'PENDING_PAYMENT': 0.00033266799733865603, 'COMPLETE': 0.000218350146294598, 'ON_HOLD': 0.0013164823591363876, 'PAYMENT_REVIEW': 0.006858710562414266, 'PROCESSING': 0.0006042296072507553, 'CLOSED': 0.0006617257808364214, 'SUSPECTED_FRAUD': 0.003209242618741977, 'PENDING': 0.000657030223390276, 'CANCELED': 0.0035014005602240898}

3。创建使用起始采样API .sampleBy（）进行采样的最终数据帧。

#creating final sampled dataframe
df_sample=orders.sampleBy("status",fraction)
但是我仍然没有获得每个状态准确的5条记录。示例输出如下

#Checking count per status of resultant sample dataframe
df_sample.groupBy("status").count().show()
+---------------+-----+
|         status|count|
+---------------+-----+
|PENDING_PAYMENT|    3|
|       COMPLETE|    6|
|        ON_HOLD|    7|
| PAYMENT_REVIEW|    4|
|     PROCESSING|    6|
|         CLOSED|    6|
|SUSPECTED_FRAUD|    7|
|        PENDING|    9|
|       CANCELED|    5|
+---------------+-----+
我在这里应该怎么实现我的目标。

我有一个spark数据框（我正在使用pyspark）“订单”。它有以下几列['id'，'orderdate'，'customerid'，'status']我正在尝试使用键...

Answer 1

找到了解决方法