sample
返回一个RDD[T]
源码:
/**
* 返回此RDD的抽样子集。
* @note 这并不能保证提供的只是给定[[RDD]]的分数。
*/
def sample(
withReplacement: Boolean,
fraction: Double,
seed: Long = Utils.random.nextLong): RDD[T] = {
require(fraction >= 0,
s"Fraction must be nonnegative, but got ${fraction}")
withScope {
require(fraction >= 0.0, "Negative fraction value: " + fraction)
if (withReplacement) {
new PartitionwiseSampledRDD[T, T](this, new PoissonSampler[T](fraction), true, seed)
} else {
new PartitionwiseSampledRDD[T, T](this, new BernoulliSampler[T](fraction), true, seed)
}
}
}
参数:
1、withReplacement:元素可以多次抽样(在抽样时替换)
2、fraction:期望样本的大小作为RDD大小的一部分,
当withReplacement=false时:选择每个元素的概率;分数一定是[0,1] ;
当withReplacement=true时:选择每个元素的期望次数; 分数必须大于等于0。3、seed:随机数生成器的种子
案例:
建议第三个参数seed可以默认,不好把控。
(1)元素不可以多次抽样:withReplacement=false,每个元素被抽取到的概率为0.5:fraction=0.5
JavaRDD<Integer> rdd = sc.parallelize(Arrays.asList(6,2,8,4));
JavaRDD<Integer> res = rdd.sample(false, 0.5);
res.foreach(x -> System.out.print(x +" "));
//结果:2 8 4
(2)元素可以多次抽样:withReplacement=true,每个元素被抽取到的期望次数为2:fraction=2
JavaRDD<Integer> rdd = sc.parallelize(Arrays.asList(6,2,8,4));
JavaRDD<Integer> res = rdd.sample(true, 2);
res.foreach(x -> System.out.print(x +" "));
//结果:6 2 8 8 8 8 8 4
takeSample
返回一个Array[T];
该方法仅在预期结果数组很小的情况下使用,因为所有数据都被加载到driver的内存中。
源码:
def takeSample(
withReplacement: Boolean,
num: Int,
seed: Long = Utils.random.nextLong): Array[T] = withScope {...}
参数:
1、withReplacement:元素可以多次抽样(在抽样时替换)
2、num:返回的样本的大小
3、seed:随机数生成器的种子
案例:
建议第三个参数seed可以默认,不好把控。
(1)当不可以多次抽样:withReplacement=false;样本个数num大于父本个数时,只能返回父本个数
JavaRDD<Integer> rdd = sc.parallelize(Arrays.asList(6, 2, 8, 4));
List<Integer> res = rdd.takeSample(false, 8);
System.out.println(res);
//结果:[6, 8, 2, 4]
(2)当不可以多次抽样:withReplacement=false;样本个数num小于父本个数时,返回样本个数
JavaRDD<Integer> rdd = sc.parallelize(Arrays.asList(6, 2, 8, 4));
List<Integer> res = rdd.takeSample(false, 3);
System.out.println(res);
//结果:[8, 4, 2]
(3)当可以多次抽样:withReplacement=true;样本个数num大于父本个数时,返回样本个数
JavaRDD<Integer> rdd = sc.parallelize(Arrays.asList(6, 2, 8, 4));
List<Integer> res = rdd.takeSample(true, 8);
System.out.println(res);
//结果:[4, 6, 8, 2, 6, 2, 4, 2]
(4)当不可以多次抽样:withReplacement=true;样本个数num小于父本个数时,返回样本个数
JavaRDD<Integer> rdd = sc.parallelize(Arrays.asList(6, 2, 8, 4));
List<Integer> res = rdd.takeSample(true, 3);
System.out.println(res);
//结果:[8, 8, 2]