web-dev-qa-db-fra.com

Créer un vecteur d'entités par programme dans Spark ML / pyspark

Je me demande s'il existe un moyen concis d'exécuter ML (par exemple KMeans) sur un DataFrame dans pyspark si j'ai les fonctionnalités dans plusieurs colonnes numériques.

C'est à dire. comme dans l'ensemble de données Iris:

(a1=5.1, a2=3.5, a3=1.4, a4=0.2, id=u'id_1', label=u'Iris-setosa', binomial_label=1)

Je voudrais utiliser KMeans sans recréer le DataSet avec le vecteur de fonctionnalité ajouté manuellement en tant que nouvelle colonne et les colonnes d'origine codées en dur à plusieurs reprises dans le code.

La solution que j'aimerais améliorer:

from pyspark.mllib.linalg import Vectors
from pyspark.sql.types import Row
from pyspark.ml.clustering import KMeans, KMeansModel

iris = sqlContext.read.parquet("/opt/data/iris.parquet")
iris.first()
# Row(a1=5.1, a2=3.5, a3=1.4, a4=0.2, id=u'id_1', label=u'Iris-setosa', binomial_label=1)

df = iris.map(lambda r: Row(
                    id = r.id,
                    a1 = r.a1,
                    a2 = r.a2,
                    a3 = r.a3,
                    a4 = r.a4,
                    label = r.label,
                    binomial_label=r.binomial_label,
                    features = Vectors.dense(r.a1, r.a2, r.a3, r.a4))
                    ).toDF()


kmeans_estimator = KMeans()\
    .setFeaturesCol("features")\
    .setPredictionCol("prediction")\
kmeans_transformer = kmeans_estimator.fit(df)

predicted_df = kmeans_transformer.transform(df).drop("features")
predicted_df.first()
# Row(a1=5.1, a2=3.5, a3=1.4, a4=0.2, binomial_label=1, id=u'id_1', label=u'Iris-setosa', prediction=1)

Je cherche une solution, qui ressemble à:

feature_cols = ["a1", "a2", "a3", "a4"]
prediction_col_name = "prediction"
<dataframe independent code for KMeans>
<New dataframe is created, extended with the `prediction` column.>
pythonapache-sparkpysparkapache-spark-ml
20
zoltanctoth

Vous pouvez utiliser VectorAssembler :

from pyspark.ml.feature import VectorAssembler

ignore = ['id', 'label', 'binomial_label']
assembler = VectorAssembler(
    inputCols=[x for x in df.columns if x not in ignore],
    outputCol='features')

assembler.transform(df)

Il peut être combiné avec k-means en utilisant ML Pipeline:

from pyspark.ml import Pipeline

pipeline = Pipeline(stages=[assembler, kmeans_estimator])
model = pipeline.fit(df)
29
zero323