如何将数据聚合到范围内（分桶）？

Question

我有一个表格，如下所示：

+---------------+------+
|id             | value|
+---------------+------+
|               1|118.0|
|               2|109.0|
|               3|113.0|
|               4| 82.0|
|               5| 60.0|
|               6|111.0|
|               7|107.0|
|               8| 84.0|
|               9| 91.0|
|              10|118.0|
+---------------+------+

我想将值聚合或分组到一个范围内，如0,10,20,30,40,...80,90,100,110,120。我该如何在SQL或更具体地说Spark SQL中执行此操作？

目前我使用了一个与范围进行连接的lateral view join，但这似乎相当笨拙/低效。

Quantile discretized并不是我想要的，而是使用此范围的CUT。

编辑 https://github.com/collectivemedia/spark-ext/blob/master/sparkext-mllib/src/main/scala/org/apache/spark/ml/feature/Binning.scala可以执行动态分箱，但我更喜欢使用指定的范围。

- Georg Heiler

---

org.apache.spark.ml.feature.Bucketizer 接受一个明确提供的分割点数组。然后你就可以在输出列上进行分组。 - Hristo Iliev

我认为在这种情况下，所提出的解决方案更简单/可能更有效。 - Georg Heiler

Answer 1

在一般情况下，可以使用org.apache.spark.ml.feature.Bucketizer来执行静态分箱：

val df = Seq(
  (1, 118.0), (2, 109.0), (3, 113.0), (4, 82.0), (5, 60.0),
  (6, 111.0), (7, 107.0), (8,  84.0), (9, 91.0), (10, 118.0)
).toDF("id", "value")

val splits = (0 to 12).map(_ * 10.0).toArray

import org.apache.spark.ml.feature.Bucketizer
val bucketizer = new Bucketizer()
  .setInputCol("value")
  .setOutputCol("bucket")
  .setSplits(splits)

val bucketed = bucketizer.transform(df)

val solution = bucketed.groupBy($"bucket").agg(count($"id") as "count")

结果：

scala> solution.show
+------+-----+
|bucket|count|
+------+-----+
|   8.0|    2|
|  11.0|    4|
|  10.0|    2|
|   6.0|    1|
|   9.0|    1|
+------+-----+

当值位于定义的区间之外时，Bucketizer会抛出错误。可以将分割点定义为Double.NegativeInfinity或Double.PositiveInfinity以捕获异常值。

Bucketizer的设计是通过对正确的桶进行二进制搜索来高效地处理任意拆分。对于像您这样的常规箱子，可以简单地执行以下操作：

val binned = df.withColumn("bucket", (($"value" - bin_min) / bin_width) cast "int")

其中bin_min和bin_width分别是最小箱子的左间隔和箱子宽度。

- Hristo Iliev

---

但是，如果一个桶为空，则分组也不会返回结果。所以，如果我想看到所有桶的列表（包括空桶和数量为0的桶），是否可以在不使用连接的情况下执行此操作？ - Georg Heiler

将区间分组后进行连接应该非常有效。 - Hristo Iliev

Answer 2

尝试使用 "GROUP BY" 进行操作

SELECT id, (value DIV 10)*10 FROM table_name ;

以下将使用 Scala 的 Dataset API：

df.select(('value divide 10).cast("int")*10)

- Bertram Gilfoyle