预排序输入上的 Spark 特征向量变换

Question

我在 HDFS 上的制表符分隔文件中有一些数据，如下所示：

label | user_id | feature
------------------------------
  pos | 111     | www.abc.com
  pos | 111     | www.xyz.com
  pos | 111     | Firefox
  pos | 222     | www.example.com
  pos | 222     | www.xyz.com
  pos | 222     | IE
  neg | 333     | www.jkl.com
  neg | 333     | www.xyz.com
  neg | 333     | Chrome

我需要对其进行转换，为每个 user_id 创建一个特征向量来训练一个org.apache.spark.ml.classification.NaiveBayes 模型。

我目前的方法基本上如下：

1. 将原始数据加载到 DataFrame 中
2. 使用 StringIndexer 索引特征
3. 进入 RDD 并按 user_id 分组，并将特征索引映射到稀疏向量中。

关键是……数据已经按 user_id 进行了预排序。利用它的最佳方法是什么？想到可能发生了多少不必要的工作，我感到很痛苦。

如果一些代码有助于理解我目前的方法，这里是地图的精髓：

val featurization = (vals: (String,Iterable[Row])) => {
  // create a Seq of all the feature indices
  // Note: the indexing was done in a previous step not shown
  val seq = vals._2.map(x => (x.getDouble(1).toInt,1.0D)).toSeq

  // create the sparse vector
  val featureVector = Vectors.sparse(maxIndex, seq)

  // convert the string label into a Double
  val label = if (vals._2.head.getString(2) == "pos") 1.0 else 0.0

  (label, vals._1, featureVector)
}

d.rdd
  .groupBy(_.getString(1))
  .map(featurization)
  .toDF("label","user_id","features")

Answer 1

让我们从your other question开始

如果我的磁盘上的数据保证按将用于组聚合或归约的键进行预排序，Spark 有什么办法可以利用这一点？

这取决于。如果您应用的操作可以从地图端聚合中受益，那么您可以通过预先排序的数据获得很多收益，而无需进一步干预您的代码。共享同一个key的数据应该位于同一个partition上，并且可以在shuffle之前在本地聚合。

不幸的是，在这种特殊情况下它不会有太大帮助。即使您启用地图端聚合（groupBy(Key) 不使用 is 所以您需要自定义实现）或聚合特征向量（您会在我对 How to define a custom aggregation function to sum a column of Vectors? 的回答中找到一些示例），也没有太多收获.您可以在这里和那里节省一些工作，但您仍然需要在节点之间传输所有索引。

如果你想获得更多，你必须做更多的工作。我可以看到您可以利用现有订单的两种基本方式：

1. 使用自定义 Hadoop 输入格式仅生成完整记录（标签、ID、所有特征），而不是逐行读取数据。如果您的数据每个 id 的行数固定，您甚至可以尝试使用 NLineInputFormat 并在之后应用 mapPartitions 来聚合记录。

   这绝对是更冗长的解决方案，但不需要在 Spark 中进行额外的改组。

2. 照常读取数据，但对groupBy 使用自定义分区器。据我所知，使用rangePartitioner 应该可以正常工作，但请确保您可以尝试以下步骤：

   • 使用mapPartitionsWithIndex 查找每个分区的最小/最大ID。
   • 创建分区器，在当前 (i-th) 分区上保持最小值 i + 1
   • 将此分区程序用于groupBy(Key)

   这可能是更友好的解决方案，但至少需要一些改组。如果预期要移动的记录数很少（mapPartitions 和broadcast* 来处理这个问题，尽管分区在实践中可能更有用且更便宜。

---

* 你可以使用类似这样的方法：https://stackoverflow.com/a/33072089/1560062