У меня есть фрейм данных spark (я использую pyspark) 'orders' . В нем есть следующие столбцы
['id', 'orderdate', 'customerid', 'status']
Я пытаюсь сделать стратифицированную случайную выборку, используя ключевой столбец в качестве «статуса». Моя цель, как показано ниже
>> create a new dataframe with exactly 5 random records per status
Поэтому выбранный мною метод использует .sampleBy ('strata_key', {фракция_dict}). Но проблема, с которой я столкнулся, заключается в выборе точного значения дроби для каждого статуса, чтобы каждый раз я получал ровно 5 случайных записей на каждый статус. Я следовал ниже метод
1.Создал словарь для общего подсчета на статус, как показано ниже
#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)
ВЫХОД:
{'PENDING_PAYMENT': 15030, 'COMPLETE': 22899, 'ON_HOLD': 3798, 'PAYMENT_REVIEW': 729, 'PROCESSING': 8275, 'CLOSED': 7556, 'SUSPECTED_FRAUD': 1558,
'PENDING': 7610, 'CANCELED': 1428}
2.Создана функция, которая генерирует значения дроби, необходимые для выборки точных N записей
#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)
ВЫХОД:
{'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.Создание окончательного фрейма данных, который выбирается с использованием API для запуска с выборкой .sampleBy ()
#creating final sampled dataframe
df_sample=orders.sampleBy("status",fraction)
Но, тем не менее, я не получаю 5 точных записей на состояние. Пример вывода как показано ниже
#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|
+---------------+-----+
Что я должен сделать здесь, чтобы достичь своей цели.