将 Azure Databricks 中的非 SparkDataFrame 保存为.RData

Question

在 Databricks ( SparkR ) 中，我从kohonen package 并行运行自组织 map 的批处理算法，因为与我的本地计算机相比，它大大减少了计算时间。 但是，在安装 model 后，我想将经过训练的 model（ list ）下载/导出到我的本地机器，以继续以 Databricks 中不可用的方式处理结果（创建绘图等）。 我知道如何将 SparkDataFrame 保存并下载到SparkDataFrame ：

sdftest # a SparkDataFrame
write.df(sdftest, path = "dbfs:/FileStore/test.csv", source = "csv", mode = "overwrite")

但是，我不确定如何为“常规”R list object 执行此操作。

有什么方法可以将 Databricks 中创建的 output 以.RData格式保存到我的本地机器上？ 如果没有，是否有一种解决方法仍然可以让我继续在本地处理 model 结果？

编辑：

library(kohonen)

# Load data
sdf.cluster <- read.df("abfss://cluster.csv", source = "csv", header="true", inferSchema = "true")

# Collet SDF to RDF as kohonen::som is not available for SparkDataFrames
rdf.cluster <- SparkR::collect(sdf.cluster)

# Change rdf to matrix as is required by kohonen::som
rdf.som <- as.matrix(rdf.cluster)
  
# Parallel Batch SOM from Kohonen
som.grid <- somgrid(xdim = 5, ydim = 5, topo="hexagonal", 
                neighbourhood.fct="gaussian") 
set.seed(1)
som.model <- som(rdf.som, grid=som.grid, rlen=10, alpha=c(0.05,0.01), keep.data = TRUE, dist.fcts = "euclidean", mode = "online")

很感谢任何形式的帮助！

Answer 1

如果您的所有型号都可以装入驱动程序的 memory，您可以使用spark.lapply 。 它是基本lapply的分布式版本，需要 function 和列表。 Spark 会将 function 应用于列表的每个元素（如地图）并收集返回的对象。

这是拟合 kohonen 模型的示例，每个虹膜种类一个：

library(SparkR)
library(kohonen)

fit_model <- function(df) {
  library(kohonen)
  grid_size <- ceiling(nrow(df) ^ (1/2.5))
  som_grid <- somgrid(xdim = grid_size, ydim = grid_size, topo = 'hexagonal', toroidal = T)
  som_model <- som(data.matrix(df), grid = som_grid)
  som_model
}

models <- spark.lapply(split(iris[-5], iris$Species), fit_model)
models 

models变量包含并行拟合的 kohonen 模型列表：

$setosa
SOM of size 5x5 with a hexagonal toroidal topology.
Training data included.

$versicolor
SOM of size 5x5 with a hexagonal toroidal topology.
Training data included.

$virginica
SOM of size 5x5 with a hexagonal toroidal topology.
Training data included.

然后你可以像往常一样保存/序列化 R object ：

saveRDS(models, file="/dbfs/kohonen_models.rds")

请注意，存储在/dbfs/路径中的任何文件都可以通过 Databrick 的 DBFS 使用，可通过 CLI 或 API 访问。