如何將 sklearn 管道轉換為 pyspark 管道？

Question

我們有一個機器學習分類器 model，我們已經用 pandas dataframe 和標准 sklearn 管道（StandardScaler、RandomForestClassifier、GridSearchCV 等）進行了訓練。 我們正在研究 Databricks，並希望使用並行計算 spark 提供的功能將此管道擴展到大型數據集。

將 sklearn 管道轉換為並行計算的最快方法是什么？ （我們可以根據需要輕松地在 pandas 和 spark DF 之間切換。）

對於上下文，我們的選擇似乎是：

1. 使用 MLLib 重寫流水線（耗時）
2. 使用 sklearn-spark 橋接庫

在選項 2 上，Spark-Sklearn 似乎已被棄用，但 Databricks 相反建議我們使用 joblibspark。 但是，這會在 Databricks 上引發異常：

from sklearn import svm, datasets
from sklearn.model_selection import GridSearchCV
from joblibspark import register_spark
from sklearn.utils import parallel_backend
register_spark() # register spark backend

iris = datasets.load_iris()
parameters = {'kernel':('linear', 'rbf'), 'C':[1, 10]}
svr = svm.SVC(gamma='auto')

clf = GridSearchCV(svr, parameters, cv=5)
with parallel_backend('spark', n_jobs=3):
    clf.fit(iris.data, iris.target)

加薪

py4j.security.Py4JSecurityException: Method public int org.apache.spark.SparkContext.maxNumConcurrentTasks() is not whitelisted on class class org.apache.spark.SparkContext

Answer 1

根據 Databricks 說明（此處和此處），必要的要求是：

• Python 3.6+
• pyspark>=2.4
• scikit-learn>=0.21
• joblib>=0.14

我無法在運行 Python 3.7.5、Spark 3.0.0、scikit-learn 0.22.1 和 joblib 0.14.1 的社區 Databricks 集群中重現您的問題：

import sys
import sklearn
import joblib

spark.version
# '3.0.0'

sys.version
# '3.7.5 (default, Nov  7 2019, 10:50:52) \n[GCC 8.3.0]'

sklearn.__version__
# '0.22.1'

joblib.__version__
# '0.14.1'

通過以上設置，您的代碼片段可以順利運行，並且確實會生成一個分類器clf ，如下所示：

GridSearchCV(cv=5, error_score=nan,
             estimator=SVC(C=1.0, break_ties=False, cache_size=200,
                           class_weight=None, coef0=0.0,
                           decision_function_shape='ovr', degree=3,
                           gamma='auto', kernel='rbf', max_iter=-1,
                           probability=False, random_state=None, shrinking=True,
                           tol=0.001, verbose=False),
             iid='deprecated', n_jobs=None,
             param_grid={'C': [1, 10], 'kernel': ('linear', 'rbf')},
             pre_dispatch='2*n_jobs', refit=True, return_train_score=False,
             scoring=None, verbose=0)

和這里的替代示例一樣：

from sklearn.utils import parallel_backend
from sklearn.model_selection import cross_val_score
from sklearn import datasets
from sklearn import svm
from joblibspark import register_spark

register_spark() # register spark backend

iris = datasets.load_iris()
clf = svm.SVC(kernel='linear', C=1)
with parallel_backend('spark', n_jobs=3):
  scores = cross_val_score(clf, iris.data, iris.target, cv=5)

print(scores)

給予

[0.96666667 1.         0.96666667 0.96666667 1.        ]

Answer 2

感謝 desertnaut 的回復 - 這個答案對於標准的 Spark / Databricks 設置應該是正確的，所以接受它，考慮到我的問題的措辭/對其他讀者的潛在用處

貢獻一個單獨的“答案”發現了我們案例中的問題：Databricks 支持建議我們案例中的問題是由於我們使用了一種特殊類型的集群（在 AWS 上啟用了憑證直通的高並發）。 grid.fit() 沒有被列入此類集群的白名單，Databricks 建議他們需要與他們的工程團隊一起將其列入白名單。