增加了两个RDD [mllib.linalg.Vector]

时间:2015-01-30 09:29:02

标签: scala apache-spark apache-spark-mllib

我需要添加两个存储在两个文件中的矩阵。

latest1.txtlatest2.txt的内容有下一个str:

1 2 3
4 5 6
7 8 9

我正在阅读以下文件:

scala> val rows = sc.textFile(“latest1.txt”).map { line => val values = line.split(‘ ‘).map(_.toDouble)
    Vectors.sparse(values.length,values.zipWithIndex.map(e => (e._2, e._1)).filter(_._2 != 0.0))
}

scala> val r1 = rows
r1: org.apache.spark.rdd.RDD[org.apache.spark.mllib.linalg.Vector] = MappedRDD[2] at map at :14

scala> val rows = sc.textFile(“latest2.txt”).map { line => val values = line.split(‘ ‘).map(_.toDouble)
    Vectors.sparse(values.length,values.zipWithIndex.map(e => (e._2, e._1)).filter(_._2 != 0.0))
}

scala> val r2 = rows
r2: org.apache.spark.rdd.RDD[org.apache.spark.mllib.linalg.Vector] = MappedRDD[2] at map at :14

我想添加r1,r2。那么,有没有办法在Apache-Spark中添加这两个RDD[mllib.linalg.Vector]

2 个答案:

答案 0 :(得分:19)

这实际上是一个很好的问题。我定期与mllib合作,并没有意识到这些基本的线性代数操作不易获取。

关键是底层的微风向量具有您期望的所有线性代数操作 - 当然包括您特别提到的基本元素添加。

然而,通过以下方式隐藏了外界的微风实施:

[private mllib]

那么,从外部世界/公共API的角度来看,我们如何访问这些原语?

其中一些已曝光:例如平方和:

/**
 * Returns the squared distance between two Vectors.
 * @param v1 first Vector.
 * @param v2 second Vector.
 * @return squared distance between two Vectors.
 */
def sqdist(v1: Vector, v2: Vector): Double = { 
  ...
}

然而,这些可用方法的选择是有限的 - 实际上包括基本操作,包括元素加法,减法,乘法等。

所以这是我能看到的最好的:

  • 将矢量转换为breeze:
  • 在breeze中执行矢量操作
  • 从微风转换回mllib Vector

以下是一些示例代码:

val v1 = Vectors.dense(1.0, 2.0, 3.0)
val v2 = Vectors.dense(4.0, 5.0, 6.0)
val bv1 = new DenseVector(v1.toArray)
val bv2 = new DenseVector(v2.toArray)

val vectout = Vectors.dense((bv1 + bv2).toArray)
vectout: org.apache.spark.mllib.linalg.Vector = [5.0,7.0,9.0]

答案 1 :(得分:2)

以下代码公开了Spark中的asBreeze和fromBreeze方法。与使用SparseVector相比,此解决方案支持vector.toArray。请注意,Spark可能会在将来更改其API,并且已将toBreeze重命名为asBreeze

package org.apache.spark.mllib.linalg
import breeze.linalg.{Vector => BV}
import org.apache.spark.sql.functions.udf

/** expose vector.toBreeze and Vectors.fromBreeze
  */
object VectorUtils {

  def fromBreeze(breezeVector: BV[Double]): Vector = {
    Vectors.fromBreeze( breezeVector )
  }

  def asBreeze(vector: Vector): BV[Double] = {
    // this is vector.asBreeze in Spark 2.0
    vector.toBreeze
  }

  val addVectors = udf {
    (v1: Vector, v2: Vector) => fromBreeze( asBreeze(v1) + asBreeze(v2) )
  }

}

有了这个,你可以df.withColumn("xy", addVectors($"x", $"y"))