问题描述
我正在尝试根据概率分布从 PySpark 数据框中选择 n 个随机值。
例如,如果表格如下所示,
column
a
b
b
c
c
我想确定 n 个生成的数据由 a、b 和 c 组成,它们的概率分别为 0.2、0.4 和 0.4。
我现在
- 从原始 Pyspark 数据帧计算原始数据(0.2、0.4 和 0.4)的概率
- 使用
.toPandas().values
将其转换为numpy.array
- 使用
numpy.random.default_rng()
根据概率生成随机数据 - 使用
spark.createDataframe
将其转换回 Pyspark 数据帧。
然而,这比我预期的要花费更多的时间。有什么方法可以使用纯 pyspark 生成随机数据?或者有什么其他方法可以让它更快?
解决方法
暂无找到可以解决该程序问题的有效方法,小编努力寻找整理中!
如果你已经找到好的解决方法,欢迎将解决方案带上本链接一起发送给小编。
小编邮箱:dio#foxmail.com (将#修改为@)