SQLクエリの結果のデータフレームがあります
df1 = sqlContext.sql("select * from table_test")
このデータフレームをlibsvm形式に変換して、の入力として提供できるようにする必要があります。
pyspark.ml.classification.LogisticRegression
私は次のことを試みました。ただし、spark 1.5.2を使用しているため、次のエラーが発生しました。
df1.write.format("libsvm").save("data/foo")
Failed to load class for data source: libsvm
代わりにMLUtils.loadLibSVMFileを使用したかったのです。ファイアウォールの背後にいて、直接pipインストールできません。そこで、ファイルをダウンロードしてscp-edし、手動でインストールしました。すべて正常に動作しているように見えましたが、それでも次のエラーが発生します
import org.Apache.spark.mllib.util.MLUtils
No module named org.Apache.spark.mllib.util.MLUtils
質問1:データフレームを正しい方向でlibsvm形式に変換するための上記のアプローチはありますか?質問2:質問1に「はい」の場合、MLUtilsを機能させる方法。 「いいえ」の場合、データフレームをlibsvm形式に変換する最良の方法は何ですか
私はそのように行動します(これは任意のデータフレームを使用した単なる例です。df1がどのように行われるかはわかりません。焦点はデータ変換にあります):
これは、データフレームをlibsvm形式に変換する私の方法です。
# ... your previous imports
from pyspark.mllib.util import MLUtils
from pyspark.mllib.regression import LabeledPoint
# A DATAFRAME
>>> df.show()
+---+---+---+
| _1| _2| _3|
+---+---+---+
| 1| 3| 6|
| 4| 5| 20|
| 7| 8| 8|
+---+---+---+
# FROM DATAFRAME TO RDD
>>> c = df.rdd # this command will convert your dataframe in a RDD
>>> print (c.take(3))
[Row(_1=1, _2=3, _3=6), Row(_1=4, _2=5, _3=20), Row(_1=7, _2=8, _3=8)]
# FROM RDD OF Tuple TO A RDD OF LABELEDPOINT
>>> d = c.map(lambda line: LabeledPoint(line[0],[line[1:]])) # arbitrary mapping, it's just an example
>>> print (d.take(3))
[LabeledPoint(1.0, [3.0,6.0]), LabeledPoint(4.0, [5.0,20.0]), LabeledPoint(7.0, [8.0,8.0])]
# SAVE AS LIBSVM
>>> MLUtils.saveAsLibSVMFile(d, "/your/Path/nameFolder/")
「/ your/Path/nameFolder/part-0000 *」ファイルに表示されるのは次のとおりです。
1.0 1:3.0 2:6.0
4.0 1:5.0 2:20.0
7.0 1:8.0 2:8.0
LabeledPointのドキュメントについては、 ここ を参照してください。
私はそれが機能するためにこれをしなければなりませんでした
D.map(lambda line: LabeledPoint(line[0],[line[1],line[2]]))