问题描述
我们将 Spark 数据帧分区在多列上。例如,我们有一个合作伙伴栏,可以是 Google、Facebook 和 Bing。我们有一个频道栏,可以是 PLA 和文本。我们想分别在 Google-PLA、Google-TEXT、Facebook-TEXT 等上运行异常检测,因为它们遵循不同的模式。到目前为止,我已经发现我可以使用不同的过滤器描述配置 AnomalyCheckConfig,并在检查结果时使用相同的过滤器。但首先我需要过滤掉每个分区组合的数据,然后使用其关联的过滤器运行异常测试。一一串连。有没有办法并行运行它们?我可以对整个数据帧执行多次使用不同 AnomalyCheckConfigs 的 addAnomalyCheck() 并在一次运行中获得验证结果吗?
解决方法
如果您的 Spark DataFrame 中有分区列,您可以通过指定要运行异常检测的质量指标的 where 条件,在单个 VerificationSuite
中实例化多个异常检查。假设您要计算列 Completeness
的 c1
,例如,您可以使用 where = Some("partition = 'GOOGL'")
控制分区。
val verificationResults = VerificationSuite()
.onData(df)
...
.addAnomalyCheck(
AbsoluteChangeStrategy(Some(-17.0),Some(7.0)),Completeness("c1",where = Some("c0 <= 5")),Some(AnomalyCheckConfig(CheckLevel.Error,"First Anomaly check",Map.empty,Some(0),Some(11)))
)
.addAnomalyCheck(
AbsoluteChangeStrategy(Some(-17.0),where = Some("c0 > 5")),"Second Anomaly check",Some(11)))
)
.run()