Spark MLLib中的相关结果是org.apache.spark.mllib.linalg.Matrix类型。 (见http://spark.apache.org/docs/1.2.1/mllib-statistics.html#correlations)
val data: RDD[Vector] = ...
val correlMatrix: Matrix = Statistics.corr(data, "pearson")
我想将结果保存到文件中。我怎么能这样做?
答案 0 :(得分:4)
这是一种将Matrix保存到hdfs并指定分隔符的简单有效方法。
(因为.toArray是列主格式,所以使用转置。)
val localMatrix: List[Array[Double]] = correlMatrix
.transpose // Transpose since .toArray is column major
.toArray
.grouped(correlMatrix.numCols)
.toList
val lines: List[String] = localMatrix
.map(line => line.mkString(" "))
sc.parallelize(lines)
.repartition(1)
.saveAsTextFile("hdfs:///home/user/spark/correlMatrix.txt")
答案 1 :(得分:0)
答案 2 :(得分:0)
感谢您的建议。我出来了这个解决方案。感谢Ignacio的建议
val vtsd = sd.map(x => Vectors.dense(x.toArray))
val corrMat = Statistics.corr(vtsd)
val arrayCor = corrMat.toArray.toList
val colLen = columnHeader.size
val toArr2 = sc.parallelize(arrayCor).zipWithIndex().map(
x => {
if ((x._2 + 1) % colLen == 0) {
(x._2, arrayCor.slice(x._2.toInt + 1 - colLen, x._2.toInt + 1).mkString(";"))
} else {
(x._2, "")
}
}).filter(_._2.nonEmpty).sortBy(x => x._1, true, 1).map(x => x._2)
toArr2.coalesce(1, true).saveAsTextFile("/home/user/spark/cor_" + System.currentTimeMillis())
答案 3 :(得分:0)
Dylan Hogg的回答很棒,为了稍微增强它,添加一个列索引。 (在我的用例中,一旦我创建了一个文件并下载了它,由于并行处理的性质等原因,它没有被排序。)
参考:https://www.safaribooksonline.com/library/view/scala-cookbook/9781449340292/ch10s12.html
替换为这一行,它会在行上放一个序列号(从0开始),这样当你去查看它时更容易排序
val lines: List[String] = localMatrix
.map(line => line.mkString(" "))
.zipWithIndex.map { case(line, count) => s"$count $line" }