[英]Apache Spark: How to create a matrix from a DataFrame?
我在Apache Spark中有一个带有整数数组的DataFrame,源是一组图像。 我最终想在它上面做PCA,但是我在从数组中创建一个矩阵时遇到了麻烦。 如何从RDD创建矩阵?
> imagerdd = traindf.map(lambda row: map(float, row.image))
> mat = DenseMatrix(numRows=206456, numCols=10, values=imagerdd)
Traceback (most recent call last):
File "<ipython-input-21-6fdaa8cde069>", line 2, in <module>
mat = DenseMatrix(numRows=206456, numCols=10, values=imagerdd)
File "/usr/local/spark/current/python/lib/pyspark.zip/pyspark/mllib/linalg.py", line 815, in __init__
values = self._convert_to_array(values, np.float64)
File "/usr/local/spark/current/python/lib/pyspark.zip/pyspark/mllib/linalg.py", line 806, in _convert_to_array
return np.asarray(array_like, dtype=dtype)
File "/usr/local/python/conda/lib/python2.7/site- packages/numpy/core/numeric.py", line 462, in asarray
return array(a, dtype, copy=False, order=order)
TypeError: float() argument must be a string or a number
我从我能想到的每一种可能的安排中得到了同样的错误:
imagerdd = traindf.map(lambda row: Vectors.dense(row.image))
imagerdd = traindf.map(lambda row: row.image)
imagerdd = traindf.map(lambda row: np.array(row.image))
如果我试试
> imagedf = traindf.select("image")
> mat = DenseMatrix(numRows=206456, numCols=10, values=imagedf)
Traceback(最近一次调用最后一次):
File "<ipython-input-26-a8cbdad10291>", line 2, in <module>
mat = DenseMatrix(numRows=206456, numCols=10, values=imagedf)
File "/usr/local/spark/current/python/lib/pyspark.zip/pyspark/mllib/linalg.py", line 815, in __init__
values = self._convert_to_array(values, np.float64)
File "/usr/local/spark/current/python/lib/pyspark.zip/pyspark/mllib/linalg.py", line 806, in _convert_to_array
return np.asarray(array_like, dtype=dtype)
File "/usr/local/python/conda/lib/python2.7/site-packages/numpy/core/numeric.py", line 462, in asarray
return array(a, dtype, copy=False, order=order)
ValueError: setting an array element with a sequence.
由于您没有提供示例输入,我会假设它看起来或多或少像这样,其中id
是行号,而image
包含值。
traindf = sqlContext.createDataFrame([
(1, [1, 2, 3]),
(2, [4, 5, 6]),
(3, (7, 8, 9))
], ("id", "image"))
首先要了解的是DenseMatrix
是一个本地数据结构。 确切地说,它是numpy.ndarray
的包装器。 至于现在(Spark 1.4.1),PySpark MLlib中没有分布式的等价物。
密集矩阵采取三个强制性参数numRows
, numCols
, values
,其中values
是本地数据结构。 在你的情况下,你必须先收集:
values = (traindf.
rdd.
map(lambda r: (r.id, r.image)). # Extract row id and data
sortByKey(). # Sort by row id
flatMap(lambda (id, image): image).
collect())
ncol = len(traindf.rdd.map(lambda r: r.image).first())
nrow = traindf.count()
dm = DenseMatrix(nrow, ncol, values)
最后:
> print dm.toArray()
[[ 1. 4. 7.]
[ 2. 5. 8.]
[ 3. 6. 9.]]
编辑 :
在Spark 1.5+中,您可以使用mllib.linalg.distributed
,如下所示:
from pyspark.mllib.linalg.distributed import IndexedRow, IndexedRowMatrix
mat = IndexedRowMatrix(traindf.map(lambda row: IndexedRow(*row)))
mat.numRows()
## 4
mat.numCols()
## 3
虽然目前API仍然限于在实践中有用。
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.