PySpark PCA：如何将数据帧行从多列转换为单列 DenseVector？答案

【问题标题】：PySpark PCA: how to convert dataframe rows from multiple columns to a single column DenseVector?PySpark PCA：如何将数据帧行从多列转换为单列 DenseVector？
【发布时间】：2017-02-15 12:55:07
【问题描述】：

我想使用 PySpark (Spark 1.6.2) 对 Hive 表中存在的数值数据执行主成分分析 (PCA)。我能够将 Hive 表导入 Spark 数据框：

>>> from pyspark.sql import HiveContext
>>> hiveContext = HiveContext(sc)
>>> dataframe = hiveContext.sql("SELECT * FROM my_table")
>>> type(dataframe)
<class 'pyspark.sql.dataframe.DataFrame'>
>>> dataframe.columns
['par001', 'par002', 'par003', etc...]
>>> dataframe.collect()
[Row(par001=1.1, par002=5.5, par003=8.2, etc...), Row(par001=0.0, par002=5.7, par003=4.2, etc...), etc...]

有一篇很棒的 StackOverflow 帖子展示了如何在 PySpark 中执行 PCA：https://stackoverflow.com/a/33481471/2626491

在帖子的“测试”部分，@desertnaut 创建了一个只有一列的数据框（称为“功能”）：

>>> from pyspark.ml.feature import *
>>> from pyspark.mllib.linalg import Vectors
>>> data = [(Vectors.dense([0.0, 1.0, 0.0, 7.0, 0.0]),),
...          (Vectors.dense([2.0, 0.0, 3.0, 4.0, 5.0]),),
...          (Vectors.dense([4.0, 0.0, 0.0, 6.0, 7.0]),)]
>>> df = sqlContext.createDataFrame(data,["features"])
>>> type(df)
<class 'pyspark.sql.dataframe.DataFrame'>
>>> df.columns
['features']
>>> df.collect()
[Row(features=DenseVector([0.0, 1.0, 0.0, 7.0, 0.0])), Row(features=DenseVector([2.0, 0.0, 3.0, 4.0, 5.0])), Row(features=DenseVector([4.0, 0.0, 0.0, 6.0, 7.0]))]

@desertnaut 的示例数据框中的每一行都包含一个 DenseVector 对象，然后由 pca 函数使用。

问）如何将 Hive 中的数据框转换为单列数据框（“特征”），其中每行包含一个 DenseVector，代表原始行中的所有值？

【问题讨论】：

标签： apache-spark pyspark apache-spark-mllib pca apache-spark-ml

【解决方案1】：

您应该使用VectorAssembler。如果数据类似这样：

from pyspark.sql import Row

data = sc.parallelize([
    Row(par001=1.1, par002=5.5, par003=8.2),
    Row(par001=0.0, par002=5.7, par003=4.2)
]).toDF()

你应该导入所需的类：

from pyspark.ml.feature import VectorAssembler

创建一个实例：

assembler = VectorAssembler(inputCols=data.columns, outputCol="features")

转换和选择：

assembler.transform(data).select("features")

您还可以使用用户定义的函数。在 Spark 1.6 中，从 mllib 导入 Vectors 和 VectorUDT：

from pyspark.mllib.linalg import Vectors, VectorUDT

和udf 来自sql.functions：

from pyspark.sql.functions import udf, array

然后选择：

data.select(
  udf(Vectors.dense, VectorUDT())(*data.columns)
).toDF("features")

这不那么冗长但慢得多。

【讨论】：