PysparK dataframe 分组组内采样 某个字段作为采样数量

from pyspark.sql import SparkSession
from pyspark.sql.functions import col

# 创建 SparkSession
spark = SparkSession.builder.getOrCreate()

# 创建示例 DataFrame
data = [("1", "A", 1),
        ("2", "A", 1),
        ("3", "B", 2),
        ("4", "B", 2),
        ("5", "B", 2)]

df = spark.createDataFrame(data, ["value", "group", "sample_count"])
df.show()

# 定义窗口函数,按组分组并对行编号
window_spec = Window.partitionBy("group").orderBy(F.rand())

# 对每个组进行采样
sampled_df = (
    df.withColumn("row_num", F.row_number().over(window_spec)).filter(col("row_num") <= col("sample_count")).drop("row_num"))
sampled_df.cache()

sampled_df.show()
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值