在Python中从Spark DataFrame创建labeledPoints

Question

.map()我如何使用python中的哪个函数labeledPoints从spark数据帧创建一组？如果标签/结果不是第一列，但我可以引用其列名“状态”，该怎么办？

我使用此.map（）函数创建Python数据框：

def parsePoint(line):
    listmp = list(line.split('\t'))
    dataframe = pd.DataFrame(pd.get_dummies(listmp[1:]).sum()).transpose()
    dataframe.insert(0, 'status', dataframe['accepted'])
    if 'NULL' in dataframe.columns:
        dataframe = dataframe.drop('NULL', axis=1)  
    if '' in dataframe.columns:
        dataframe = dataframe.drop('', axis=1)  
    if 'rejected' in dataframe.columns:
        dataframe = dataframe.drop('rejected', axis=1)  
    if 'accepted' in dataframe.columns:
        dataframe = dataframe.drop('accepted', axis=1)  
    return dataframe

在reduce函数重新组合了所有Pandas数据帧之后，我将其转换为Spark数据帧。

parsedData=sqlContext.createDataFrame(parsedData)

但是现在如何labledPoints在Python中从中创建呢？我认为这可能是另一个.map()功能？

Answer 1

如果您已经具有数字功能并且不需要其他转换，则可以使用VectorAssembler合并包含自变量的列：

from pyspark.ml.feature import VectorAssembler

assembler = VectorAssembler(
    inputCols=["your", "independent", "variables"],
    outputCol="features")

transformed = assembler.transform(parsedData)

接下来，您可以简单地映射：

from pyspark.mllib.regression import LabeledPoint
from pyspark.sql.functions import col

(transformed.select(col("outcome_column").alias("label"), col("features"))
  .rdd
  .map(lambda row: LabeledPoint(row.label, row.features)))

从Spark
2.0开始ml，mllibAPI不再兼容，而后者正朝着弃用和移除的方向发展。如果仍然需要此功能，则必须转换ml.Vectors为mllib.Vectors。

from pyspark.mllib import linalg as mllib_linalg
from pyspark.ml import linalg as ml_linalg

def as_old(v):
    if isinstance(v, ml_linalg.SparseVector):
        return mllib_linalg.SparseVector(v.size, v.indices, v.values)
    if isinstance(v, ml_linalg.DenseVector):
        return mllib_linalg.DenseVector(v.values)
    raise ValueError("Unsupported type {0}".format(type(v)))

和地图：

lambda row: LabeledPoint(row.label, as_old(row.features)))