PySpark：根据分布选择随机值

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

1. 从原始 Pyspark 数据帧计算原始数据（0.2、0.4 和 0.4）的概率
2. 使用 .toPandas().values 将其转换为 numpy.array
3. 使用numpy.random.default_rng()根据概率生成随机数据
4. 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@）