web-dev-qa-db-ja.com

ベクトルの列を合計するカスタム集計関数を定義する方法は？

タイプがIDのIntとタイプVecのVector（_org.Apache.spark.mllib.linalg.Vector_）の2つの列のDataFrameがあります。

DataFrameは次のようになります。

_ID,Vec
1,[0,0,5]
1,[4,0,1]
1,[1,2,1]
2,[7,5,0]
2,[3,3,4]
3,[0,8,1]
3,[0,0,1]
3,[7,7,7]
....
_

groupBy($"ID")を実行してから、ベクトルを合計して各グループ内の行に集計を適用します。

上記の例の望ましい出力は次のようになります。

_ID,SumOfVectors
1,[5,2,7]
2,[10,8,4]
3,[7,15,9]
...
_

使用可能な集計関数は機能しません。 df.groupBy($"ID").agg(sum($"Vec")はClassCastExceptionを引き起こします。

ベクトルや配列の合計、またはその他のカスタム操作を可能にするカスタム集計関数を実装するにはどうすればよいですか？

scalaapache-sparkapache-spark-sqlaggregate-functionsapache-spark-ml
22
Rami

Spark> = 3.0

Summarizerとsumを併用できます

import org.Apache.spark.ml.stat.Summarizer

df
  .groupBy($"id")
  .agg(Summarizer.sum($"vec").alias("vec"))

スパーク<= 3.0

個人的には私はUDAFを気にしません。冗長であり、正確ではない（ Spark UDAFとArrayTypeをbufferSchemaのパフォーマンスの問題として使用する ）代わりに、単にreduceByKey/foldByKeyを使用します。

import org.Apache.spark.sql.Row
import breeze.linalg.{DenseVector => BDV}
import org.Apache.spark.ml.linalg.{Vector, Vectors}

def dv(values: Double*): Vector = Vectors.dense(values.toArray)

val df = spark.createDataFrame(Seq(
    (1, dv(0,0,5)), (1, dv(4,0,1)), (1, dv(1,2,1)),
    (2, dv(7,5,0)), (2, dv(3,3,4)), 
    (3, dv(0,8,1)), (3, dv(0,0,1)), (3, dv(7,7,7)))
  ).toDF("id", "vec")

val aggregated = df
  .rdd
  .map{ case Row(k: Int, v: Vector) => (k, BDV(v.toDense.values)) }
  .foldByKey(BDV.zeros[Double](3))(_ += _)
  .mapValues(v => Vectors.dense(v.toArray))
  .toDF("id", "vec")

aggregated.show

// +---+--------------+
// | id|           vec|
// +---+--------------+
// |  1| [5.0,2.0,7.0]|
// |  2|[10.0,8.0,4.0]|
// |  3|[7.0,15.0,9.0]|
// +---+--------------+

そして単に比較のための「シンプルな」UDAF。必要なインポート：

import org.Apache.spark.sql.expressions.{MutableAggregationBuffer,
  UserDefinedAggregateFunction}
import org.Apache.spark.ml.linalg.{Vector, Vectors, SQLDataTypes}
import org.Apache.spark.sql.types.{StructType, ArrayType, DoubleType}
import org.Apache.spark.sql.Row
import scala.collection.mutable.WrappedArray

クラス定義：

class VectorSum (n: Int) extends UserDefinedAggregateFunction {
    def inputSchema = new StructType().add("v", SQLDataTypes.VectorType)
    def bufferSchema = new StructType().add("buff", ArrayType(DoubleType))
    def dataType = SQLDataTypes.VectorType
    def deterministic = true 

    def initialize(buffer: MutableAggregationBuffer) = {
      buffer.update(0, Array.fill(n)(0.0))
    }

    def update(buffer: MutableAggregationBuffer, input: Row) = {
      if (!input.isNullAt(0)) {
        val buff = buffer.getAs[WrappedArray[Double]](0) 
        val v = input.getAs[Vector](0).toSparse
        for (i <- v.indices) {
          buff(i) += v(i)
        }
        buffer.update(0, buff)
      }
    }

    def merge(buffer1: MutableAggregationBuffer, buffer2: Row) = {
      val buff1 = buffer1.getAs[WrappedArray[Double]](0) 
      val buff2 = buffer2.getAs[WrappedArray[Double]](0) 
      for ((x, i) <- buff2.zipWithIndex) {
        buff1(i) += x
      }
      buffer1.update(0, buff1)
    }

    def evaluate(buffer: Row) =  Vectors.dense(
      buffer.getAs[Seq[Double]](0).toArray)
}

そして使用例：

df.groupBy($"id").agg(new VectorSum(3)($"vec") alias "vec").show

// +---+--------------+
// | id|           vec|
// +---+--------------+
// |  1| [5.0,2.0,7.0]|
// |  2|[10.0,8.0,4.0]|
// |  3|[7.0,15.0,9.0]|
// +---+--------------+

参照： Spark SQL？）でグループ化されたベクター列の平均を見つける方法 。

27
zero323

次のことをお勧めします（Spark 2.0.2以降で機能））、最適化されている可能性がありますが、とても良いです。UDAFインスタンスを作成するときのベクターサイズは事前に知っておく必要があります。

import org.Apache.spark.ml.linalg._
import org.Apache.spark.mllib.linalg.WeightedSparseVector
import org.Apache.spark.sql.expressions.{MutableAggregationBuffer, UserDefinedAggregateFunction}
import org.Apache.spark.sql.types._

class VectorAggregate(val numFeatures: Int)
   extends UserDefinedAggregateFunction {

private type B = Map[Int, Double]

def inputSchema: StructType = StructType(StructField("vec", new VectorUDT()) :: Nil)

def bufferSchema: StructType =
StructType(StructField("agg", MapType(IntegerType, DoubleType)) :: Nil)

def initialize(buffer: MutableAggregationBuffer): Unit =
buffer.update(0, Map.empty[Int, Double])

def update(buffer: MutableAggregationBuffer, input: Row): Unit = {
    val zero = buffer.getAs[B](0)
    input match {
        case Row(DenseVector(values)) => buffer.update(0, values.zipWithIndex.foldLeft(zero){case (acc,(v,i)) => acc.updated(i, v + acc.getOrElse(i,0d))})
        case Row(SparseVector(_, indices, values)) => buffer.update(0, values.Zip(indices).foldLeft(zero){case (acc,(v,i)) => acc.updated(i, v + acc.getOrElse(i,0d))}) }}
def merge(buffer1: MutableAggregationBuffer, buffer2: Row): Unit = {
val zero = buffer1.getAs[B](0)
buffer1.update(0, buffer2.getAs[B](0).foldLeft(zero){case (acc,(i,v)) => acc.updated(i, v + acc.getOrElse(i,0d))})}

def deterministic: Boolean = true

def evaluate(buffer: Row): Any = {
    val Row(agg: B) = buffer
    val indices = agg.keys.toArray.sorted
    Vectors.sparse(numFeatures,indices,indices.map(agg)).compressed
}

def dataType: DataType = new VectorUDT()
}
0
Aviad Klein