Pyspark 多个spark核密度估计的并行计算与推理

我想做

分段或分组Pypark核密度估计

将得到的密度估计器连接到另一个数据帧并进行推断

例如，假设我有一个如下所示的数据帧：

data=[{'id':1, 'samples':[3,56,40]},
      {'id':2, 'samples':[-3,80,45,45,2]}]

这些数据是由以下内容生成的

df.groupBy('id').agg(F.collect_list('sample').alias('samples'))

其中

df

很大。然后想象我有另一个大数据帧，比如：

data2 = [{'id':1, 'val': 10},
         {'id':1, 'val': 39},
         {'id':2, 'val': 5}]

我想得到这三个值的概率，10，39，5，关于我上面得到的两个密度估计

例如，一个Python程序可以做到这一点

import scipy.stats

data_to_define_pdfs=[{'id':1, 'samples':[3,56,40]},
                     {'id':2, 'samples':[-3,80,45,45,2]}]
kdes = {}
for row in data_to_define_pdfs:
    kdes[row['id']] = scipy.stats.gaussian_kde(row['samples'])

inferrence_data = [
    {'id': 1, 'val': 10},
    {'id': 1, 'val': 39},
    {'id': 2, 'val': 5}]

for row in inferrence_data:
    kde = kdes[row['id']]
    row['prob'] = kde.pdf(x=row['val'])[0]

import pprint
pprint.pprint(inferrence_data)

哪个会输出

[{'id': 1, 'prob': 0.008817584549791962, 'val': 10},
 {'id': 1, 'prob': 0.012149240532443975, 'val': 39},
 {'id': 2, 'prob': 0.008013522166302479, 'val': 5}]

---

我有一个解决方案，我将所有样本与用于推断的数据连接起来，这不是最优的，因为我可能会复制很多样本，我正在为我应用kde的数据中的每一行重新生成python scipy kde对象-但这是一个开始，我可以想象做一些更聪明的事情：

data_to_define_pdfs_flat = []
for row in data:
    for sample in row['samples']:
        data_to_define_pdfs_flat.append({'id':row['id'], 'sample': sample})

df_sample = spark.createDataFrame(data=data_to_define_pdfs_flat,
                                  schema=T.StructType([T.StructField('id', T.IntegerType(), False),
                                                       T.StructField('sample', T.FloatType(), False)]))
df_samples = df_sample.groupBy('id').agg(F.collect_list('sample').alias('samples'))

df_infer = spark.createDataFrame(data=data2,
                                 schema=T.StructType([T.StructField('id', T.IntegerType(), False),
                                                      T.StructField('val', T.FloatType(), False)]))

df_infer2 = df_infer.join(df_samples, on='id')


def do_inference(df):
    def f(samples, val):
        kde = scipy.stats.gaussian_kde(samples)
        return float(kde.pdf(val)[0])

    udf_f = F.udf(f, T.FloatType())
    return df.withColumn('prob', udf_f(F.col('samples'), F.col('val')))


df_infer2 = do_inference(df=df_infer2)
df_samples.show()
df_infer2.show()

---

我有一个解决方案，我将所有样本与用于推断的数据连接起来，这不是最优的，因为我可能会复制很多样本，我正在为我应用kde的数据中的每一行重新生成python scipy kde对象-但这是一个开始，我可以想象做一些更聪明的事情：

data_to_define_pdfs_flat = []
for row in data:
    for sample in row['samples']:
        data_to_define_pdfs_flat.append({'id':row['id'], 'sample': sample})

df_sample = spark.createDataFrame(data=data_to_define_pdfs_flat,
                                  schema=T.StructType([T.StructField('id', T.IntegerType(), False),
                                                       T.StructField('sample', T.FloatType(), False)]))
df_samples = df_sample.groupBy('id').agg(F.collect_list('sample').alias('samples'))

df_infer = spark.createDataFrame(data=data2,
                                 schema=T.StructType([T.StructField('id', T.IntegerType(), False),
                                                      T.StructField('val', T.FloatType(), False)]))

df_infer2 = df_infer.join(df_samples, on='id')


def do_inference(df):
    def f(samples, val):
        kde = scipy.stats.gaussian_kde(samples)
        return float(kde.pdf(val)[0])

    udf_f = F.udf(f, T.FloatType())
    return df.withColumn('prob', udf_f(F.col('samples'), F.col('val')))


df_infer2 = do_inference(df=df_infer2)
df_samples.show()
df_infer2.show()

---

如果您可以在本地存储KDE的所有样本，我有一个熊猫数据帧解决方案——至少在这个玩具示例中是这样。由于熊猫数据帧是如何使用内存的，所以它似乎总是很难大规模工作

在这个解决方案中，kde都在主节点上形成，并发送到所有任务节点-每个kde都是该id的所有样本数据的函数，因此我必须对生成

df_样本的数据进行子样本

：

def do_inference_pd(df_infer, df_samples):
    rows = df_samples.collect()
    kdes = {}
    for row in rows:
        row = row.asDict(True)
        kdes[row['id']] = scipy.stats.gaussian_kde(np.array(row['samples']))

    def kde_prob(pdf):
        kde = kdes[pdf.id[0]]
        x = pdf.val
        return pdf.assign(prob=kde(x))

    df_infer_prob = df_infer.withColumn('prob', F.lit(0.0))
    sch_str = df_infer2.schema.simpleString()
    f = F.pandas_udf(f=kde_prob, returnType=sch_str, functionType=F.PandasUDFType.GROUPED_MAP)
    df_infer_prob = df_infer_prob.groupBy('id').apply(f)
    return df_infer_prob


df_infer_prob = do_inference_pd(df_infer=df_infer, df_samples=df_samples)

---

如果您可以在本地存储KDE的所有样本，我有一个熊猫数据帧解决方案——至少在这个玩具示例中是这样。由于熊猫数据帧是如何使用内存的，所以它似乎总是很难大规模工作

在这个解决方案中，kde都在主节点上形成，并发送到所有任务节点-每个kde都是该id的所有样本数据的函数，因此我必须对生成

df_样本的数据进行子样本

：

def do_inference_pd(df_infer, df_samples):
    rows = df_samples.collect()
    kdes = {}
    for row in rows:
        row = row.asDict(True)
        kdes[row['id']] = scipy.stats.gaussian_kde(np.array(row['samples']))

    def kde_prob(pdf):
        kde = kdes[pdf.id[0]]
        x = pdf.val
        return pdf.assign(prob=kde(x))

    df_infer_prob = df_infer.withColumn('prob', F.lit(0.0))
    sch_str = df_infer2.schema.simpleString()
    f = F.pandas_udf(f=kde_prob, returnType=sch_str, functionType=F.PandasUDFType.GROUPED_MAP)
    df_infer_prob = df_infer_prob.groupBy('id').apply(f)
    return df_infer_prob


df_infer_prob = do_inference_pd(df_infer=df_infer, df_samples=df_samples)

---

如果您还包含了所需的输出，并对其计算方式进行了明确的解释，这将非常有用。感谢您的关注！我添加了一个例子。你有没有找到其他选择？如果你也包含了所需的输出，并解释了它是如何计算的，那会很有帮助。谢谢你的关注！我加了一个例子，你有没有其他选择？