web-dev-qa-db-ja.com

spark DataFrameをRDD mllib LabeledPointsに変換する方法は？

PCAをデータに適用してから、変換されたデータにRandomForestを適用しようとしました。ただし、PCA.transform（data）はDataFrameを提供しましたが、RandomForestにフィードするためにmllib LabeledPointsが必要です。どうやってやるの？私のコード：

    import org.Apache.spark.mllib.util.MLUtils
    import org.Apache.spark.{SparkConf, SparkContext}
    import org.Apache.spark.mllib.tree.RandomForest
    import org.Apache.spark.mllib.tree.model.RandomForestModel
    import org.Apache.spark.ml.feature.PCA
    import org.Apache.spark.mllib.regression.LabeledPoint
    import org.Apache.spark.mllib.linalg.Vectors


    val dataset = MLUtils.loadLibSVMFile(sc, "data/mnist/mnist.bz2")

    val splits = dataset.randomSplit(Array(0.7, 0.3))

    val (trainingData, testData) = (splits(0), splits(1))

    val trainingDf = trainingData.toDF()

    val pca = new PCA()
    .setInputCol("features")
    .setOutputCol("pcaFeatures")
    .setK(100)
    .fit(trainingDf)

    val pcaTrainingData = pca.transform(trainingDf)

    val numClasses = 10
    val categoricalFeaturesInfo = Map[Int, Int]()
    val numTrees = 10 // Use more in practice.
    val featureSubsetStrategy = "auto" // Let the algorithm choose.
    val impurity = "gini"
    val maxDepth = 20
    val maxBins = 32

    val model = RandomForest.trainClassifier(pcaTrainingData, numClasses, categoricalFeaturesInfo,
        numTrees, featureSubsetStrategy, impurity, maxDepth, maxBins)


     error: type mismatch;
     found   : org.Apache.spark.sql.DataFrame
     required: org.Apache.spark.rdd.RDD[org.Apache.spark.mllib.regression.LabeledPoint]

次の2つの可能な解決策を試しましたが、うまくいきませんでした。

 scala> val pcaTrainingData = trainingData.map(p => p.copy(features = pca.transform(p.features)))
 <console>:39: error: overloaded method value transform with alternatives:
   (dataset: org.Apache.spark.sql.DataFrame)org.Apache.spark.sql.DataFrame <and>
   (dataset: org.Apache.spark.sql.DataFrame,paramMap: org.Apache.spark.ml.param.ParamMap)org.Apache.spark.sql.DataFrame <and>
   (dataset: org.Apache.spark.sql.DataFrame,firstParamPair: org.Apache.spark.ml.param.ParamPair[_],otherParamPairs: org.Apache.spark.ml.param.ParamPair[_]*)org.Apache.spark.sql.DataFrame
  cannot be applied to (org.Apache.spark.mllib.linalg.Vector)

そして：

     val labeled = pca
    .transform(trainingDf)
    .map(row => LabeledPoint(row.getDouble(0), row(4).asInstanceOf[Vector[Int]]))

     error: type mismatch;
     found   : scala.collection.immutable.Vector[Int]
     required: org.Apache.spark.mllib.linalg.Vector

（上記の例ではorg.Apache.spark.mllib.linalg.Vectorsをインポートしました）

何か助け？

scalaapache-sparkrddpcaapache-spark-mllib
12
Tianyi Wang

ここでの正しいアプローチは、2番目に試みたアプローチです。各RowをLabeledPointにマッピングして_RDD[LabeledPoint]_を取得します。ただし、2つの誤りがあります。

  1. 正しいVectorクラス（_org.Apache.spark.mllib.linalg.Vector_）は型引数を取りません（例_Vector[Int]_）-したがって、適切なインポートがあったとしても、コンパイラは_scala.collection.immutable.Vector_を意味すると結論しました何をします。

  2. PCA.fit()から返されるDataFrameには3つの列があり、列番号4を抽出しようとしました。たとえば、最初の4行を表示します。

    _+-----+--------------------+--------------------+
|label|            features|         pcaFeatures|
+-----+--------------------+--------------------+
|  5.0|(780,[152,153,154...|[880.071111851977...|
|  1.0|(780,[158,159,160...|[-41.473039034112...|
|  2.0|(780,[155,156,157...|[931.444898405036...|
|  1.0|(780,[124,125,126...|[25.5114585648411...|
+-----+--------------------+--------------------+
_

    これを簡単にするために、私はそれらのインデックスの代わりに列namesを使用することを好みます。

したがって、必要な変換は次のとおりです。

_val labeled = pca.transform(trainingDf).rdd.map(row => LabeledPoint(
   row.getAs[Double]("label"),   
   row.getAs[org.Apache.spark.mllib.linalg.Vector]("pcaFeatures")
))
_
13
Tzach Zohar