当DataFrame有列时如何使用Java Apache Spark MLlib？

Question

所以我是Apache Spark的新手，并且我有一个看起来像这样的文件：

Name     Size    Records 
File1    1,000   104,370 
File2    950     91,780 
File3    1,500   109,123 
File4    2,170   113,888
File5    2,000   111,974
File6    1,820   110,666
File7    1,200   106,771 
File8    1,500   108,991 
File9    1,000   104,007
File10   1,300   107,037
File11   1,900   111,109
File12   1,430   108,051
File13   1,780   110,006
File14   2,010   114,449
File15   2,017   114,889

这是我的样品/测试数据。 我正在开发一个异常检测程序，我必须测试具有相同格式但值不同的其他文件，并检测哪个文件的大小异常并记录值（如果另一个文件的大小/记录与标准文件相差很大） ，或者大小和记录之间不成比例）。 我决定开始尝试不同的ML算法，我想从k-Means方法开始。 我尝试将此文件放在以下行中：

KMeansModel model = kmeans.fit(file)

文件已被解析为数据集变量。 但是我得到一个错误，并且我很确定这与文件的结构/模式有关。 尝试适应模型时，是否可以使用结构化/标签化/组织化数据？

我收到以下错误：线程“主”中的异常java.lang.IllegalArgumentException：字段“功能”不存在。

这是代码：

public class practice {

public static void main(String[] args) {
    SparkConf conf = new SparkConf().setAppName("Anomaly Detection").setMaster("local");
    JavaSparkContext sc = new JavaSparkContext(conf);

    SparkSession spark = SparkSession
              .builder()
              .appName("Anomaly Detection")
              .getOrCreate();

String day1 = "C:\\Users\\ZK0GJXO\\Documents\\day1.txt";

    Dataset<Row> df = spark.read().
            option("header", "true").
            option("delimiter", "\t").
            csv(day1);
    df.show();
    KMeans kmeans = new KMeans().setK(2).setSeed(1L);
    KMeansModel model = kmeans.fit(df);
}

}

谢谢

Answer 1

默认情况下，所有Spark ML模型都在称为“功能”的列上训练。 可以通过setFeaturesCol方法http://spark.apache.org/docs/latest/api/java/org/apache/spark/ml/clustering/KMeans.html#setFeaturesCol(java.lang。串）

更新：

可以使用VectorAssembler将多列合并为一个特征向量：

VectorAssembler assembler = new VectorAssembler()
.setInputCols(new String[]{"size", "records"})
.setOutputCol("features");

 Dataset<Row> vectorized_df = assembler.transform(df)

 KMeans kmeans = new KMeans().setK(2).setSeed(1L);
 KMeansModel model = kmeans.fit(vectorized_df);

可以使用管道API https://spark.apache.org/docs/latest/ml-pipeline.html#example-pipeline进一步简化和链接这些功能转换