使用 Spark 规范化列

Question

我有一个包含三列的数据文件，我想规范化最后一列以将 ALS 与 ML（Spark 和 Scala）一起应用，我该怎么做？

这是我Dataframe的摘录：

val view_df = spark.createDataFrame(view_RDD, viewSchema)
val viewdd = view_df.withColumn("userIdTemp", view_df("userId").cast(IntegerType)).drop("userId")
                    .withColumnRenamed("userIdTemp", "userId")
                    .withColumn("productIdTemp", view_df("productId").cast(IntegerType)).drop("productId")
                    .withColumnRenamed("productIdTemp", "productId")
                    .withColumn("viewTemp", view_df("view").cast(FloatType)).drop("view")
                    .withColumnRenamed("viewTemp", "view")`

Answer 1

使用StandardScaler 通常是您在进行任何缩放/标准化时想要做的事情。但是，在这种情况下，只有一个列可以缩放，它不是Vector 类型（而是Float）。由于StandardScaler仅适用于Vectors，因此可以先应用VectorAssembler，但在缩放后需要将Vector重新转换为Float。

在这种情况下，更简单的方法是自己做。首先得到列的均值和标准差，然后进行缩放。可以在view列上做如下：

val (mean_view, std_view) = viewdd.select(mean("view"), stddev("view"))
  .as[(Double, Double)]
  .first()
viewdd.withColumn("view_scaled", ($"view" - mean_view) / std_view)