Pyspark -用于分组的UDAF函数由两个日期列组成，UDAF用于计算实际值和预测值之间的RMSE

Question

在接下来的几年里，我有像这样的pyspark数据帧中的数据。week_start_dt是我开始预测的时候。和start_month是前12个月。

+--------------------+------------------+----------------------+----------------+
|     start_month    |     week_start_dt|           predictions|       actuals  |
+--------------------+------------------+----------------------+----------------+
|             2019-01|        2019-11-11|                    12|              11|
|             2018-12|        2019-11-11|                    13|              11|
|             2019-08|        2019-11-11|                     9|              11|
|             2019-11|        2019-11-11|                    12|              11|
|             2019-11|        2019-11-11|                  1970|            1440|
|             2019-11|        2019-11-11|                   478|             501|
+--------------------+------------------+----------------------+----------------+

我想用start_month和week_start_dt上的groupby来计算RMSE。我认为它需要一个用户定义的聚合函数。在熊猫中类似的东西：Python Dataframe: Calculating R^2 and RMSE Using Groupby on One Column

我使用以下代码来获取groupby的实际和预测的汇总计数。

df_startmonth_week = actuals_compare.groupby('start_month', 'week_start_dt').agg(f.sum('predictions'), f.sum('actuals'))

为了计算预测值和实际值之间的RMSE，我在聚合步骤中做了哪些更改？我需要一个UDF来做这件事吗？

下面是我在excel中创建的最终目标的一个示例。

| week_start_dt | start_month | RMSE |
|---------------|-------------|------|
| 20-01-2020    | 2019-02     | 2345 |
| 20-01-2020    | 2019-03     | 2343 |
| 20-01-2020    | 2019-04     | 2341 |
| 20-01-2020    | 2019-05     | 2100 |
| 20-01-2020    | 2019-06     | 1234 |

Answer 1

我看不出problem here有什么不同，所以我调整了解决方案，使其适用于略有不同的变量名：

import pyspark.sql.functions as psf

def compute_RMSE(expected_col, actual_col):

  rmse = old_df.withColumn("squarederror",
                           psf.pow(psf.col(actual_col) - psf.col(expected_col),
                                   psf.lit(2)
                           ))
  .groupby('start_month', 'week_start_dt')
  .agg(psf.avg(psf.col("squarederror")).alias("mse"))
  .withColumn("rmse", psf.sqrt(psf.col("mse")))

  return(rmse)


compute_RMSE("predictions", "actuals")

如果我漏掉了问题中的细微差别，请告诉我