如何將xgboost集成到spark中？ （蟒蛇）

Question

我正在嘗試使用在蜂巢中的數據使用XGBoost訓練模型，數據太大，無法將其轉換為pandas df，所以我必須將XGBoost與spark df一起使用。 創建XGBoostEstimator時，發生錯誤：

TypeError：“ JavaPackage”對象不可調用Exception AttributeError：“ NoneType”對象沒有屬性“ _detach””被​​忽略

我沒有使用xgboost產生火花的經驗，我已經在線嘗試了一些教程，但是都沒有用。 我嘗試對pandas df進行隱蔽，但是數據太大，並且我總是從Java包裝程序中獲取OutOfMemoryException （我也嘗試查找它，並且該解決方案對我不起作用，從而增加了執行者的內存）。

我關注的最新教程是：

https://towardsdatascience.com/pyspark-and-xgboost-integration-tested-on-the-kaggle-titanic-dataset-4e75a568bdb

放棄XGBoost模塊后，我開始使用sparkxgb 。

spark = create_spark_session('shai', 'dna_pipeline')
# sparkxgboost files 
spark.sparkContext.addPyFile('resources/sparkxgb.zip')

def create_spark_session(username=None, app_name="pipeline"):
    if username is not None:
        os.environ['HADOOP_USER_NAME'] = username

    return SparkSession \
        .builder \
        .master("yarn") \
        .appName(app_name) \
        .config(...) \
        .config(...) \
        .getOrCreate()

def train():
    train_df = spark.table('dna.offline_features_train_full')
    test_df = spark.table('dna.offline_features_test_full')

    from sparkxgb import XGBoostEstimator

    vectorAssembler = VectorAssembler() \
        .setInputCols(train_df.columns) \
        .setOutputCol("features")

    # This is where the program fails
    xgboost = XGBoostEstimator(
        featuresCol="features",
        labelCol="label",
        predictionCol="prediction"
    )

    pipeline = Pipeline().setStages([xgboost])
    pipeline.fit(train_df)

完整的例外是：

Traceback (most recent call last):
  File "/home/elad/DNA/dna/dna/run.py", line 283, in <module>
    main()
  File "/home/elad/DNA/dna/dna/run.py", line 247, in main
    offline_model = train_model(True, home_dir=config['home_dir'], hdfs_client=client)
  File "/home/elad/DNA/dna/dna/run.py", line 222, in train_model
    model = train(offline_mode=offline, spark=spark)
  File "/home/elad/DNA/dna/dna/model/xgboost_train.py", line 285, in train
    predictionCol="prediction"
  File "/home/elad/.conda/envs/DNAenv/lib/python2.7/site-packages/pyspark/__init__.py", line 105, in wrapper
    return func(self, **kwargs)
  File "/tmp/spark-7781039b-6821-42be-96e0-ca4005107318/userFiles-70b3d1de-a78c-4fac-b252-2f99a6761b32/sparkxgb.zip/sparkxgb/xgboost.py", line 115, in __init__
  File "/home/elad/.conda/envs/DNAenv/lib/python2.7/site-packages/pyspark/ml/wrapper.py", line 63, in _new_java_obj
    return java_obj(*java_args)
TypeError: 'JavaPackage' object is not callable
Exception AttributeError: "'NoneType' object has no attribute '_detach'" in <bound method XGBoostEstimator.__del__ of XGBoostEstimator_4f54b37156fb0a113233> ignored

我不知道為什么會發生這種異常，也不知道如何將sparkxgb正確集成到我的代碼中。

幫助將不勝感激。

謝謝

Answer 1

您可以嘗試使用LightGBM，而不是使用XGBoost，它是一種相似且可以說更好（至少更快）的算法。 它在pyspark中非常有效，您可以在這里閱讀更多內容

Answer 2

較新的Apache Spark（2.3.0）版本沒有XGBoost。 您應該嘗試使用Pyspark。 您必須將Spark數據框轉換為pandas數據框。

這是一篇很棒的文章，提供了工作流程並解釋了xgboost和spark

好的，我再次閱讀了您的文章，您聲稱數據集太大。 也許您應該嘗試使用Apache Arrow。 選中此使用Apache Arrow加速Pyspark

Answer 3

經過一天的調試后，問題出在了罐子的提交錯誤。 我在本地下載了罐子，並使用以下方法pyspark-submit它們：

PYSPARK_SUBMIT_ARGS=--jars resources/xgboost4j-0.72.jar,resources/xgboost4j-spark-0.72.jar

這解決了問題。