[英]Filter a DataSet in terms of another DataSet in Scala flink
我正在尝试复制此python代码:
cond_entropy_x = np.array([entropy(x[y == v]) for v in uy])
其中x
和y
是向量, uy
是y
上的唯一值,例如0,1
。
在flink中,我有:
val uy = y.distinct.collect
val condHx = for (i ← uy)
yield entropy(x.filterWithBcVariable(y)((_, yy) ⇒ yy == i))
但是, filterWithBcVariable
似乎并没有采用y
上的每个值,而只采用第一个值。
我也尝试过:
for (i ← values) yield y.join(x).where(a ⇒ a).equalTo(_ ⇒ i)
但是我内存不足。
如何根据y
上的值过滤x
?
可以使用x.zip(y)
来执行此操作,但是不支持。
有任何想法吗?
我提出了一个解决方案,可能不是最好的解决方案,但至少是可行的。
现在,我没有传递x
和y
作为单独的DataSets
,而是传递了只有一列的DataSet[LabeledVector]
:
val xy = input.map(lv ⇒ LabeledVector(lv.label, DenseVector(lv.vector(0))))
然后我将xy
传递给我的函数:
def conditionalEntropy(xy: DataSet[LabeledVector]): Double = {
// Get the label
val y = xy map (_.label)
// Get probs for the label
val p = probs(y).toArray.asBreeze
// Get unique values in label
val values = y.distinct.collect
// Compute Conditional Entropy
val condH = for (i ← values)
yield entropy(xy.filter(_.label == i))
p.dot(seq2Breeze(condH))
}
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.