从Spark DataFrame开始,为进一步的分析处理创建矢量矩阵。
feature_matrix_vectors = feature_matrix1.map(lambda x: Vectors.dense(x)).cache()
feature_matrix_vectors.first()
输出是一个向量数组。其中一些向量中有一个空值
>>> DenseVector([1.0, 31.0, 5.0, 1935.0, 24.0])
...
>>> DenseVector([1.0, 1231.0, 15.0, 2008.0, null])
从此开始我想遍历向量矩阵,如果向量包含null,则创建一个0(零)的LabeledPoint数组,否则为1。
def f(row):
if row.contain(None):
LabeledPoint(1.0,row)
else:
LabeledPoint(0.0,row)
我尝试使用
遍历矢量矩阵feature_matrix_labeledPoint = (f(row) for row in feature_matrix_vectors) # create a generator of row sums
next(feature_matrix_labeledPoint) # Run the iteration protocol
但这不起作用。
TypeError: 'PipelinedRDD' object is not iterable
任何帮助都会很棒
答案 0 :(得分:8)
RDDs
不是Python列表的替代品。您必须使用给定RDD
上可用的操作或转换。您只需使用map
:
from pyspark.mllib.linalg import DenseVector
from pyspark.mllib.regression import LabeledPoint
feature_matrix_vectors = sc.parallelize([
DenseVector([1.0, 31.0, 5.0, 1935.0, 24.0]),
DenseVector([1.0, 1231.0, 15.0, 2008.0, None])
])
(feature_matrix_vectors
.map(lambda v: LabeledPoint(1.0 if None in v else 0.0, v))
.collect())