Média harmônica em quadros de dados do Spark em Scala - scala, apache-spark, apache-spark-sql

Eu estou tentando calcular o Média harmônica para uma coluna DataFrame com Spark no Scala.

A Média Harmônica é definida como seguida, como para :

Eu usei a segunda igualdade para definir a função de média harmônica como segue:

// Organize imports
import org.apache.spark.sql.{Column,DataFrame}
import org.apache.spark.sql.functions._

// Define inverse UDF
def inverse = udf[Double,Double](d => (1.toDouble / d))

// Define Harmonic Mean function
def harmonicMean(df : DataFrame, column : Column) : Double = {
df.count / df.withColumn("inverse",inverse(column)).
agg(sum("inverse")).first.getAs[Double](0)
}

// Example :
val df = sc.parallelize(Seq(1,2,4)).toDF
println("H = " + harmonicMean(df,df("_1")))

ou:

df.count / df.rdd.map{ case r : Row => val i = r.getAs[Double]("_1"); (1.0 / i)}.sum

Mas eu queria saber se poderia haver uma abordagem melhor para isso.

Respostas:

Eu não usaria UDF ou coletaria dados. Em vez disso, você pode resolver isso usando apenas funções integradas e expressões básicas:

def harmonic(c: Column) = count(c) / sum(lit(1.0) / c)
df.select(harmonic($"_1").alias("H")).show

// +------------------+
// |                 H|
// +------------------+
// |1.7142857142857142|
// +------------------+