Pyspark Groupby在课程中应用UDF

如何解决Pyspark Groupby在课程中应用UDF

TLDR ;在pyspark的类中进行groupby-apply UDF时,我无法弄清楚如何在bioID列中保留信息。

详细信息

我正在为需要在主题1和主题2之间比较计数的管道创建一个类。

df = spark.createDataFrame(pd.DataFrame({
    "comparison": ["subject1_v_subject2","subject1_v_subject2","subject1_v_subject2"],"bioID":["AAG","ATT","ATG"],"subject1":[12,15,17],"subject3":[123,107,110],"pvalue":[.01,.015,0.112]
        },index=[1,2,3]))

       comparison         bioId       subject1  subject3    pvalue    
1   subject1_v_subject    "AAG"         212       123        0.010         
2   subject1_v_subject2   "ATT"          15       107        0.015         
3.  subject1_v_subject2   "ATG"          17       110        0.112 

我需要获取此数据帧并在比较中运行所有pvalue(也称为groupby比较列),运行BH计算以获取排序的pvalue,对其进行排名,然后根据self.alpha返回布尔值以标记是否pvalue是否有意义。

我尝试创建一个单独的类并从主类中调用它,但是我无法弄清楚如何保留bioId列以将结果连接回原始数据框:

class BenjaminiHochbergFDR():

__name__ = "BenjaminiHochbergFDR"

# any input that is static across all rows can be set at initialization time
def __init__(self,alpha):
    self.alpha = alpha

# any input that's based on a single row's value goes here
def __call__(self,pvals):
    m = len(pvals)
    k = -1

    while pvals[k + 1] <= (self.alpha * (k + 2) / (1.0 * m)):
        k += 1

    return [1] * (k + 1) + [0] * (m - (k + 1))

class DifferentialAbundanceAnalysis():

def __init__(self,spark,input_df,alpha=.01):
    # set user input variables
    self.spark = spark
    self.input_df = input_df
    self.alpha = alpha

  def run_bh(self,alpha):
    
    # BH FDR correction UDF to apply function to pval_df
    bh_udf = F.udf(BenjaminiHochbergFDR(self.alpha),ArrayType(StringType()))
    
    # apply bh correction to pval df and run bh udf on list of pvals for each comparison
    sig_df = input_df.groupBy("comparison") \
                  .agg(collect_list("pvalue").alias("pvals")) \
                  .withColumn("significant",bh_udf("pvals")) \
                  .withColumn('significant',F.explode(F.col('significant'))) \
                  .withColumn('pvalue',F.explode(F.col('pvals'))).drop_duplicates()
    
    # this does not work as expected
    final_df = pval_df.join(sig_df,on=["comparison","pvalue"],how='left').drop("pvals")
    
    return final_df

所需的输出:

         comparison       bioId       subject1  subject3    pvalue    significant
1   subject1_v_subject    "AAG"         212       123        0.010         0
2   subject1_v_subject2   "ATT"          15       107        0.015         0
3.  subject1_v_subject2   "ATG"          17       110         0.112        0

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。

相关推荐


依赖报错 idea导入项目后依赖报错,解决方案:https://blog.csdn.net/weixin_42420249/article/details/81191861 依赖版本报错:更换其他版本 无法下载依赖可参考:https://blog.csdn.net/weixin_42628809/a
错误1:代码生成器依赖和mybatis依赖冲突 启动项目时报错如下 2021-12-03 13:33:33.927 ERROR 7228 [ main] o.s.b.d.LoggingFailureAnalysisReporter : *************************** APPL
错误1:gradle项目控制台输出为乱码 # 解决方案:https://blog.csdn.net/weixin_43501566/article/details/112482302 # 在gradle-wrapper.properties 添加以下内容 org.gradle.jvmargs=-Df
错误还原:在查询的过程中,传入的workType为0时,该条件不起作用 &lt;select id=&quot;xxx&quot;&gt; SELECT di.id, di.name, di.work_type, di.updated... &lt;where&gt; &lt;if test=&qu
报错如下,gcc版本太低 ^ server.c:5346:31: 错误:‘struct redisServer’没有名为‘server_cpulist’的成员 redisSetCpuAffinity(server.server_cpulist); ^ server.c: 在函数‘hasActiveC
解决方案1 1、改项目中.idea/workspace.xml配置文件,增加dynamic.classpath参数 2、搜索PropertiesComponent,添加如下 &lt;property name=&quot;dynamic.classpath&quot; value=&quot;tru
删除根组件app.vue中的默认代码后报错:Module Error (from ./node_modules/eslint-loader/index.js): 解决方案:关闭ESlint代码检测,在项目根目录创建vue.config.js,在文件中添加 module.exports = { lin
查看spark默认的python版本 [root@master day27]# pyspark /home/software/spark-2.3.4-bin-hadoop2.7/conf/spark-env.sh: line 2: /usr/local/hadoop/bin/hadoop: No s
使用本地python环境可以成功执行 import pandas as pd import matplotlib.pyplot as plt # 设置字体 plt.rcParams[&#39;font.sans-serif&#39;] = [&#39;SimHei&#39;] # 能正确显示负号 p
错误1:Request method ‘DELETE‘ not supported 错误还原:controller层有一个接口,访问该接口时报错:Request method ‘DELETE‘ not supported 错误原因:没有接收到前端传入的参数,修改为如下 参考 错误2:cannot r
错误1:启动docker镜像时报错:Error response from daemon: driver failed programming external connectivity on endpoint quirky_allen 解决方法:重启docker -&gt; systemctl r
错误1:private field ‘xxx‘ is never assigned 按Altʾnter快捷键,选择第2项 参考:https://blog.csdn.net/shi_hong_fei_hei/article/details/88814070 错误2:启动时报错,不能找到主启动类 #
报错如下,通过源不能下载,最后警告pip需升级版本 Requirement already satisfied: pip in c:\users\ychen\appdata\local\programs\python\python310\lib\site-packages (22.0.4) Coll
错误1:maven打包报错 错误还原:使用maven打包项目时报错如下 [ERROR] Failed to execute goal org.apache.maven.plugins:maven-resources-plugin:3.2.0:resources (default-resources)
错误1:服务调用时报错 服务消费者模块assess通过openFeign调用服务提供者模块hires 如下为服务提供者模块hires的控制层接口 @RestController @RequestMapping(&quot;/hires&quot;) public class FeignControl
错误1:运行项目后报如下错误 解决方案 报错2:Failed to execute goal org.apache.maven.plugins:maven-compiler-plugin:3.8.1:compile (default-compile) on project sb 解决方案:在pom.
参考 错误原因 过滤器或拦截器在生效时,redisTemplate还没有注入 解决方案:在注入容器时就生效 @Component //项目运行时就注入Spring容器 public class RedisBean { @Resource private RedisTemplate&lt;String
使用vite构建项目报错 C:\Users\ychen\work&gt;npm init @vitejs/app @vitejs/create-app is deprecated, use npm init vite instead C:\Users\ychen\AppData\Local\npm-