SparkML 向量：访问模型输出

Question

我正在尝试访问似乎被锁定在模型对象返回的向量中的值。我在这里和那里看到了一些关于旧/新 Vector 类型的帖子，但这并没有帮助我弄清楚我缺少什么。

来自 CountVectorizer 模型的代码设置了问题。似乎与 org.apache.spark.ml.linalg.VectorUDT 有关，但我不确定。我已经被这个屏蔽到有点尴尬的地步了。

有人可以提供一个代码示例，说明如何解析 features 向量的 3 个元素中的每一个：词汇计数、术语 ID 列表、术语计数列表？

import org.apache.spark.ml.feature.{CountVectorizer, CountVectorizerModel}

sc.version
res1: String = 2.1.1

val df = spark.createDataFrame(Seq(
  (0, Array("a", "b", "c")),
  (1, Array("a", "b", "b", "c", "a"))
)).toDF("id", "words")

// fit a CountVectorizerModel from the corpus
val cvModel: CountVectorizerModel = (new CountVectorizer()
  .setInputCol("words")
  .setOutputCol("features")
  .setVocabSize(3)
  .setMinDF(2)
  .fit(df)
)

// alternatively, define CountVectorizerModel with a-priori vocabulary
val cvm = (new CountVectorizerModel(Array("a", "b", "c"))
  .setInputCol("words")
  .setOutputCol("features")
)

val df_vectorized = cvModel.transform(df)

df_vectorized.show(false)

+---+---------------+-------------------------+
|id |words          |features                 |
+---+---------------+-------------------------+
|0  |[a, b, c]      |(3,[0,1,2],[1.0,1.0,1.0])|
|1  |[a, b, b, c, a]|(3,[0,1,2],[2.0,2.0,1.0])|
+---+---------------+-------------------------+

Answer 1

解决方案

我找到了一种访问此特定模型中数据的方法。

import org.apache.spark.ml.linalg.SparseVector

df_vectorized.select("features").rdd.map(_.getAs[SparseVector](0).size).take(2)
df_vectorized.select("features").rdd.map(_.getAs[SparseVector](0).indices).take(2)
df_vectorized.select("features").rdd.map(_.getAs[SparseVector](0).values).take(2)

我不知道这是否是实现这么简单的事情的最佳方法。

想法

我宁愿做如下的事情：

case class MyData(
  id: Int,
  words: Array[String],
  features: (Int, Array[Int], Array[Double])
)

df_vectorized.as[MyData]

但是当我尝试这个时，我得到了以下错误：

java.lang.ClassCastException: org.apache.spark.ml.linalg.VectorUDT cannot be cast to org.apache.spark.sql.types.StructType

即使这样也不是很好，因为在这种情况下不会命名 features 元组的元素。

无论如何，我认为这里的要点是您需要识别模型输出的数据类型，并希望它具有与之关联的访问方法。

即使识别数据类型也是幸运的。我碰巧尝试了以下方法：

df_vectorized.select("features").rdd.map(_.getAs[Seq[Any]](0).size).take(2)

得到了这个错误：

java.lang.ClassCastException: org.apache.spark.ml.linalg.SparseVector cannot be cast to scala.collection.SeqLike

请注意，当我尝试创建 DataSet 时，输出的类被称为 VectorUDT，但现在在我使用 RDD api 时被称为 SparseVector .

这就是我找到正确数据类型的方法。这真的很烦人，因为df_vectorized.schema 的相关输出是 org.apache.spark.ml.linalg.VectorUDT@3bfc3ba7。

更让人头疼的是，VectorUDT 的描述如下：Vector 的用户定义类型，允许通过 org.apache.spark.sql.Dataset 轻松与 SQL 交互。也许它确实允许“轻松”交互。不过，我似乎无法弄清楚。