14

我使用 python 中的什么函数从 spark 数据帧.map()创建一组？labeledPoints如果标签/结果不是第一列但我可以参考其列名“状态”，则表示法是什么？

我用这个 .map() 函数创建了 Python 数据框：

def parsePoint(line):
    listmp = list(line.split('\t'))
    dataframe = pd.DataFrame(pd.get_dummies(listmp[1:]).sum()).transpose()
    dataframe.insert(0, 'status', dataframe['accepted'])
    if 'NULL' in dataframe.columns:
        dataframe = dataframe.drop('NULL', axis=1)  
    if '' in dataframe.columns:
        dataframe = dataframe.drop('', axis=1)  
    if 'rejected' in dataframe.columns:
        dataframe = dataframe.drop('rejected', axis=1)  
    if 'accepted' in dataframe.columns:
        dataframe = dataframe.drop('accepted', axis=1)  
    return dataframe

在 reduce 函数重新组合所有 Pandas 数据帧后，我将其转换为 Spark 数据帧。

parsedData=sqlContext.createDataFrame(parsedData)

但是现在我如何labledPoints在 Python 中创建它？我认为它可能是另一个.map()功能？

4

1 回答 1

17

如果您已经有数字特征并且不需要额外的转换，您可以使用它VectorAssembler来组合包含自变量的列：

from pyspark.ml.feature import VectorAssembler

assembler = VectorAssembler(
    inputCols=["your", "independent", "variables"],
    outputCol="features")

transformed = assembler.transform(parsedData)

接下来，您可以简单地映射：

from pyspark.mllib.regression import LabeledPoint
from pyspark.sql.functions import col

(transformed.select(col("outcome_column").alias("label"), col("features"))
  .rdd
  .map(lambda row: LabeledPoint(row.label, row.features)))

从 Spark 2.0 开始ml，mllibAPI 不再兼容，后者将被弃用和删除。如果您仍然需要它，则必须转换ml.Vectors为mllib.Vectors.

from pyspark.mllib import linalg as mllib_linalg
from pyspark.ml import linalg as ml_linalg

def as_old(v):
    if isinstance(v, ml_linalg.SparseVector):
        return mllib_linalg.SparseVector(v.size, v.indices, v.values)
    if isinstance(v, ml_linalg.DenseVector):
        return mllib_linalg.DenseVector(v.values)
    raise ValueError("Unsupported type {0}".format(type(v)))

和地图：

lambda row: LabeledPoint(row.label, as_old(row.features)))
于 2015-09-14T04:29:33.723 回答