Spark-Генерация Случайных Чисел

Я написал метод, который должен учитывать случайное число для моделирования распределения Бернулли. Я использую random.nextDouble для генерации числа от 0 до 1, а затем принятия решения на основе этого значения с учетом моего параметра вероятности.

моя проблема в том, что Spark генерирует одни и те же случайные числа в каждой итерации моей функции отображения цикла for. Я использую DataFrame API-интерфейс. Мой код следует этому формату:

val myClass = new MyClass()
val M = 3
val myAppSeed = 91234
val rand = new scala.util.Random(myAppSeed)

for (m <- 1 to M) {
  val newDF = sqlContext.createDataFrame(myDF
    .map{row => RowFactory
      .create(row.getString(0),
        myClass.myMethod(row.getString(2), rand.nextDouble())
    }, myDF.schema)
}

здесь класс:

class myClass extends Serializable {
  val q = qProb

  def myMethod(s: String, rand: Double) = {
    if (rand <= q) // do something
    else // do something else
  }
}

мне нужно новое случайное число каждый раз myMethod называется. Я также попытался создать число внутри моего метода с помощью java.util.Random (scala.util.Random v10 не распространяется Serializable), как показано ниже, но я все еще получаю те же цифры в пределах каждого цикла 

val r = new java.util.Random(s.hashCode.toLong)
val rand = r.nextDouble()

я провел некоторые исследования, и, похоже, это связано с детерминированной природой Спаркс.

10
apache-spark random scala spark-dataframe

3 ответов

причина, по которой повторяется одна и та же последовательность, заключается в том, что генератор случайных чисел создается и инициализируется семенем до секционирования данных. Затем каждый раздел начинается с одного и того же значения. Возможно, это не самый эффективный способ сделать это, но должно работать следующее: 

val myClass = new MyClass()
val M = 3

for (m <- 1 to M) {
  val newDF = sqlContext.createDataFrame(myDF
    .map{ 
       val rand = scala.util.Random
       row => RowFactory
      .create(row.getString(0),
        myClass.myMethod(row.getString(2), rand.nextDouble())
    }, myDF.schema)
}
3

просто используйте функцию SQL rand:

import org.apache.spark.sql.functions._

//df: org.apache.spark.sql.DataFrame = [key: int]

df.select($"key", rand() as "rand").show
+---+-------------------+
|key|               rand|
+---+-------------------+
|  1| 0.8635073400704648|
|  2| 0.6870153659986652|
|  3|0.18998048357873532|
+---+-------------------+


df.select($"key", rand() as "rand").show
+---+------------------+
|key|              rand|
+---+------------------+
|  1|0.3422484248879837|
|  2|0.2301384925817671|
|  3|0.6959421970071372|
+---+------------------+
7

По данным этот пост, лучшее решение-не ставить new scala.util.Random внутри карты, ни снаружи (т. е. в коде драйвера), но в промежуточном mapPartitionsWithIndex:

import scala.util.Random
val myAppSeed = 91234
val newRDD = myRDD.mapPartitionsWithIndex { (indx, iter) =>
   val rand = new scala.util.Random(indx+myAppSeed)
   iter.map(x => (x, Array.fill(10)(rand.nextDouble)))
}
3