26

我有一个 Python 类，用于在 Spark 中加载和处理一些数据。在我需要做的各种事情中，我正在生成一个从 Spark 数据帧中的各个列派生的虚拟变量列表。我的问题是我不确定如何正确定义用户定义函数来完成我所需要的。

我目前确实有一个方法，当映射到底层数据帧 RDD 时，解决了一半的问题（请记住，这是一个更大的data_processor类中的方法）：

def build_feature_arr(self,table):
    # this dict has keys for all the columns for which I need dummy coding
    categories = {'gender':['1','2'], ..}

    # there are actually two differnt dataframes that I need to do this for, this just specifies which I'm looking at, and grabs the relevant features from a config file
    if table == 'users':
        iter_over = self.config.dyadic_features_to_include
    elif table == 'activty':
        iter_over = self.config.user_features_to_include

    def _build_feature_arr(row):
        result = []
        row = row.asDict()
        for col in iter_over:
            column_value = str(row[col]).lower()
            cats = categories[col]
            result += [1 if column_value and cat==column_value else 0 for cat in cats]
        return result
    return _build_feature_arr

本质上，对于指定的数据框，它的作用是获取指定列的分类变量值，并返回这些新虚拟变量的值列表。这意味着以下代码：

data = data_processor(init_args)
result = data.user_data.rdd.map(self.build_feature_arr('users'))

返回类似：

In [39]: result.take(10)
Out[39]:
[[1, 0, 0, 0, 1, 0],
 [1, 0, 0, 1, 0, 0],
 [1, 0, 0, 0, 0, 0],
 [1, 0, 1, 0, 0, 0],
 [1, 0, 0, 1, 0, 0],
 [1, 0, 0, 1, 0, 0],
 [0, 1, 1, 0, 0, 0],
 [1, 0, 1, 1, 0, 0],
 [1, 0, 0, 1, 0, 0],
 [1, 0, 0, 0, 0, 1]]

这正是我在生成我想要的虚拟变量列表方面想要的，但这是我的问题：我怎样才能（a）制作一个具有类似功能的 UDF，我可以在 Spark SQL 查询中使用（或其他方式） ，我想），还是（b）获取上述地图产生的RDD并将其作为新列添加到user_data数据框？

无论哪种方式，我需要做的是生成一个新的数据框，其中包含来自 user_data 的列，以及一个feature_array包含上述函数输出（或功能等效的东西）的新列（我们称之为它）。

4

1 回答 1

43

火花 >= 2.3, >= 3.0

由于 Spark 2.3OneHotEncoder已被弃用，取而代之的是OneHotEncoderEstimator. 如果您使用最新版本，请修改encoder代码

from pyspark.ml.feature import OneHotEncoderEstimator

encoder = OneHotEncoderEstimator(
    inputCols=["gender_numeric"],  
    outputCols=["gender_vector"]
)

在 Spark 3.0 中，此变体已重命名为OneHotEncoder：

from pyspark.ml.feature import OneHotEncoder

encoder = OneHotEncoder(
    inputCols=["gender_numeric"],  
    outputCols=["gender_vector"]
)

此外StringIndexer已扩展为支持多个输入列：

StringIndexer(inputCols=["gender"], outputCols=["gender_numeric"])

火花 < 2.3

好吧，你可以写一个 UDF，但你为什么要写呢？已经有很多工具旨在处理此类任务：

from pyspark.sql import Row
from pyspark.ml.linalg import DenseVector

row = Row("gender", "foo", "bar")

df = sc.parallelize([
  row("0", 3.0, DenseVector([0, 2.1, 1.0])),
  row("1", 1.0, DenseVector([0, 1.1, 1.0])),
  row("1", -1.0, DenseVector([0, 3.4, 0.0])),
  row("0", -3.0, DenseVector([0, 4.1, 0.0]))
]).toDF()

首先StringIndexer。

from pyspark.ml.feature import StringIndexer

indexer = StringIndexer(inputCol="gender", outputCol="gender_numeric").fit(df)
indexed_df = indexer.transform(df)
indexed_df.drop("bar").show()

## +------+----+--------------+
## |gender| foo|gender_numeric|
## +------+----+--------------+
## |     0| 3.0|           0.0|
## |     1| 1.0|           1.0|
## |     1|-1.0|           1.0|
## |     0|-3.0|           0.0|
## +------+----+--------------+

下一个OneHotEncoder：

from pyspark.ml.feature import OneHotEncoder

encoder = OneHotEncoder(inputCol="gender_numeric", outputCol="gender_vector")
encoded_df = encoder.transform(indexed_df)
encoded_df.drop("bar").show()

## +------+----+--------------+-------------+
## |gender| foo|gender_numeric|gender_vector|
## +------+----+--------------+-------------+
## |     0| 3.0|           0.0|(1,[0],[1.0])|
## |     1| 1.0|           1.0|    (1,[],[])|
## |     1|-1.0|           1.0|    (1,[],[])|
## |     0|-3.0|           0.0|(1,[0],[1.0])|
## +------+----+--------------+-------------+

VectorAssembler：

from pyspark.ml.feature import VectorAssembler

assembler = VectorAssembler(
    inputCols=["gender_vector", "bar", "foo"], outputCol="features")

encoded_df_with_indexed_bar = (vector_indexer
    .fit(encoded_df)
    .transform(encoded_df))

final_df = assembler.transform(encoded_df)

如果bar包含分类变量，您可以使用它VectorIndexer来设置所需的元数据：

from pyspark.ml.feature import VectorIndexer

vector_indexer = VectorIndexer(inputCol="bar", outputCol="bar_indexed")

但这里不是这样。

最后，您可以使用管道包装所有这些：

from pyspark.ml import Pipeline
pipeline = Pipeline(stages=[indexer, encoder, vector_indexer, assembler])
model = pipeline.fit(df)
transformed = model.transform(df)

可以说，与从头开始编写所有内容相比，它更加健壮和干净。有一些警告，尤其是当您需要在不同数据集之间进行一致编码时。StringIndexer您可以在和的官方文档中阅读更多信息VectorIndexer。

获得可比输出的另一种方法RFormula 是：

RFormula生成特征向量列和标签的双精度列或字符串列。就像在 R 中使用公式进行线性回归一样，字符串输入列将被一次性编码，而数字列将被转换为双精度值。如果标签列是字符串类型，它将首先转换为 double with StringIndexer。如果 DataFrame 中不存在标签列，则将从公式中指定的响应变量创建输出标签列。

from pyspark.ml.feature import RFormula

rf = RFormula(formula="~ gender +  bar + foo - 1")
final_df_rf = rf.fit(df).transform(df)

如您所见，它更简洁，但更难编写不允许太多自定义。然而，像这样的简单管道的结果将是相同的：

final_df_rf.select("features").show(4, False)

## +----------------------+
## |features              |
## +----------------------+
## |[1.0,0.0,2.1,1.0,3.0] |
## |[0.0,0.0,1.1,1.0,1.0] |
## |(5,[2,4],[3.4,-1.0])  |
## |[1.0,0.0,4.1,0.0,-3.0]|
## +----------------------+


final_df.select("features").show(4, False)

## +----------------------+
## |features              |
## +----------------------+
## |[1.0,0.0,2.1,1.0,3.0] |
## |[0.0,0.0,1.1,1.0,1.0] |
## |(5,[2,4],[3.4,-1.0])  |
## |[1.0,0.0,4.1,0.0,-3.0]|
## +----------------------+

关于你的问题：

制作一个具有类似功能的 UDF，我可以在 Spark SQL 查询中使用（或其他方式，我想）

它只是一个UDF，就像其他任何东西一样。确保您使用受支持的类型，除此之外，一切都应该正常工作。

获取上述地图产生的 RDD 并将其作为新列添加到 user_data 数据帧？

from pyspark.ml.linalg import VectorUDT
from pyspark.sql.types import StructType, StructField

schema = StructType([StructField("features", VectorUDT(), True)])
row = Row("features")
result.map(lambda x: row(DenseVector(x))).toDF(schema)

注意：

对于 Spark 1.x 替换pyspark.ml.linalg为pyspark.mllib.linalg.

于 2015-10-07T05:59:07.113 回答