Scala/Spark - 使用来自另一个数据集的一列创建数据集

Question

我正在尝试创建一个只有一列来自案例类的数据集。

下面是代码：

case class vectorData(value: Array[String], vectors: Vector)


def main(args: Array[String]) {
    val spark = SparkSession.builder
      .appName("Hello world!")
      .master("local[*]")
      .getOrCreate()
    import spark.implicits._
    //blah blah and read data etc. 
    val word2vec = new Word2Vec()
        .setInputCol("value").setOutputCol("vectors")
        .setVectorSize(5).setMinCount(0).setWindowSize(5)
    val dataset = spark.createDataset(data)

    val model = word2vec.fit(dataset)


    val encoder = org.apache.spark.sql.Encoders.product[vectorData]
    val result = model.transform(dataset).as(encoder)

    //val output: Dataset[Vector]  = ???
}

如代码的最后一行所示，我希望输出仅是具有Vector 类型和vectors 数据的第二列。

我试过了：

val output = result.map(o => o.vectors)

但是这一行突出显示错误No implicit arguments of type: Encoder[Vector]

如何解决？

Answer 1

我认为行：

implicit val vectorEncoder: Encoder[Vector] = org.apache.spark.sql.Encoders.product[Vector]

应该做

val output = result.map(o => o.vectors)

正确