私はSparkとScalaに比較的慣れていません。
私は次のデータフレームから始めています(二重の密なベクトルから作られた単一の列):
scala> val scaledDataOnly_pruned = scaledDataOnly.select("features")
scaledDataOnly_pruned: org.Apache.spark.sql.DataFrame = [features: vector]
scala> scaledDataOnly_pruned.show(5)
+--------------------+
| features|
+--------------------+
|[-0.0948337274182...|
|[-0.0948337274182...|
|[-0.0948337274182...|
|[-0.0948337274182...|
|[-0.0948337274182...|
+--------------------+
RDDに直接変換すると、org.Apache.spark.rdd.RDD [org.Apache.spark.sql.Row]のインスタンスが生成されます。
scala> val scaledDataOnly_rdd = scaledDataOnly_pruned.rdd
scaledDataOnly_rdd: org.Apache.spark.rdd.RDD[org.Apache.spark.sql.Row] = MapPartitionsRDD[32] at rdd at <console>:66
代わりに、このDFをorg.Apache.spark.rdd.RDD [org.Apache.spark.mllib.linalg.Vector]のインスタンスに変換する方法を知っている人はいますか?これまでのところ失敗しています。
よろしくお願いします!
ちょうど見つけた:
val scaledDataOnly_rdd = scaledDataOnly_pruned.map{x:Row => x.getAs[Vector](0)}
編集:行のフィールドを解釈するために、より洗練された方法を使用します。
これは私のために働いています
val featureVectors = features.map(row => {
Vectors.dense(row.toSeq.toArray.map({
case s: String => s.toDouble
case l: Long => l.toDouble
case _ => 0.0
}))
})
機能はspark SQLのDataFrameです。
import org.Apache.spark.mllib.linalg.Vectors
scaledDataOnly
.rdd
.map{
row => Vectors.dense(row.getAs[Seq[Double]]("features").toArray)
}