如何解决在数据框中获取时间序列线图或列表中包含 pyspark 中缺失值的最佳做法是什么?
归功于此 post,我有 pyspark
数据框,我想根据时间戳列绘制其中一列。问题是感兴趣的列包含缺失值 (None
),我不想绘制缺失值。
我的数据框的摘录如下,可以通过此 answer 轻松创建:
# +---------------------+-------+
# | timestamp | col1 |
# +---------------------+-------+
# | 2021-05-10 19:48:36 | 714 |
# | 2021-05-10 15:34:26 | None |
# | 2021-05-10 14:08:31 | 634 |
# | 2021-05-10 20:29:46 | 8453 |
# | 2021-05-10 19:48:36 | None |
# | 2021-05-10 00:20:25 | 3825 |
# +---------------------+-------+
除了使用插值或插补的列包含缺失值建议here和here之外,我还想在可视化中保持间隙并且不触及数据的性质,如下例所示:
我尝试使用以下技巧使用 toPandas()
将数据从 pyspark 转换为 Pandas,然后应用 pythonic 脚本来绘制部署 seaborn
或 matplotlib
提供的 here特别是 sns.pointplot()
和 sns.lineplot()
。
#read the data
sdf = spark.read.parquet(INPUT_PATH)
#Pandas
pdf = sdf.toPandas()
这个技巧的问题是我没有使用 pyspark
和它的workers 能力,并且为了可视化大数据(大约 800 万条记录)需要很长时间才能捕捉到情节和监视可用 timestamp
窗口上的异常值以推理异常值检测方法输出。
对于更新此问题的解决方案的任何帮助将不胜感激!
版权声明:本文内容由互联网用户自发贡献,该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 dio@foxmail.com 举报,一经查实,本站将立刻删除。