PySpark 2: KMeans 输入数据不直接缓存

Question

不知道为什么会收到这条消息

WARN KMeans: The input data is not directly cached, which may hurt performance if its parent RDDs are also uncached.

当我尝试使用 Spark KMeans

df_Part = assembler.transform(df_Part)    
df_Part.cache()
while (k<=max_cluster) and (wssse > seuilStop):
                    kmeans = KMeans().setK(k)
                    model = kmeans.fit(df_Part)
                    wssse = model.computeCost(df_Part)
                    k=k+1

它说我的输入（数据帧）没有被缓存！！

我尝试打印 df_Part.is_cached 并收到 True，这意味着我的数据帧已缓存，那么为什么 Spark 仍然会警告我呢？

Answer 1

此消息由o.a.s.mllib.clustering.KMeans 生成，如果不修补 Spark 代码，您将无能为力。

内部o.a.s.ml.clustering.KMeans：

• 将DataFrame 转换为RDD[o.a.s.mllib.linalg.Vector]。
• 执行o.a.s.mllib.clustering.KMeans。

当您缓存DataFrame 时，内部使用的RDD 不会被缓存。这就是您看到警告的原因。虽然很烦人，但我不会太担心。

Answer 2

这已在 Spark 2.2.0 中修复。这是Spark-18356。

那里的讨论还表明这不是什么大问题，但修复可能会稍微减少运行时间，并避免警告。