Question

我知道Kmeans不适用于分类数据，但我们在spark 1.4中没有太多选项可用于聚类分类数据。无论上述问题如何。我在下面的代码中收到错误。我从hive读取我的表，在管道中使用onehotencoder，然后将代码发送到Kmeans 我在运行此代码时遇到错误。错误是否可以输入Kmeans的数据类型？ doen是否期待numpay Array数据？如果是这样我如何将索引数据传输到numpy数组！？！？所有评论都得到了批准，感谢您的帮助！

我得到的错误：

      Traceback（最近一次调用最后一次）：       文件＆＃34; /usr/hdp/2.3.2.0-2950/spark/python/lib/pyspark.zip/pyspark /daemon.py" ;,第157行，在经理中       文件＆＃34; /usr/hdp/2.3.2.0-2950/spark/python/lib/pyspark.zip/pyspark/daemon.py"，   第61行，在工人中       文件＆＃34; /usr/hdp/2.3.2.0-2950/spark/python/lib/pyspark.zip/pyspark/worker.py"，   第136行，主要是       如果read_int（infile）== SpecialLengths.END_OF_STREAM：
文件＆＃34; /usr/hdp/2.3.2.0-2950/spark/python/lib/pyspark.zip/pyspark/serializers.py"，   第544行，在read_int中       提出EOFError
EOFError
文件＆＃34;＆＃34;，第1行       追溯（最近的呼叫最后一次）：

我的代码：

#aline will be passed in from another rdd
aline=["xxx","yyy"]

# get data from Hive table & select the column  & convert back to Rdd
rddRes2=hCtx.sql("select XXX, YYY from table1 where xxx <> ''")
rdd3=rddRes2.rdd

#fill the NA values with "none" 
Rdd4=rdd3.map(lambda line: [x if len(x) else 'none' for x in line])

# convert it back to Df
DataDF=Rdd4.toDF(aline)  

# Indexers encode strings with doubles
string_indexers=[
StringIndexer(inputCol=x,outputCol="idx_{0}".format(x))
for x in DataDF.columns if x not in '' ]

encoders=[
OneHotEncoder(inputCol="idx_{0}".format(x),outputCol="enc_{0}".format(x))
for x in DataDF.columns if x not in ''
]

# Assemble multiple columns into a single vector
assembler=VectorAssembler(
inputCols=["enc_{0}".format(x) for x in DataDF.columns if x not in ''],
outputCol="features")


pipeline= Pipeline(stages=string_indexers+encoders+[assembler])
model=pipeline.fit(DataDF)
indexed=model.transform(DataDF)


labeled_points=indexed.select("features").map(lambda row: LabeledPoint(row.features))

# Build the model (cluster the data)
clusters = KMeans.train(labeled_points, 3, maxIterations=10,runs=10, initializationMode="random")

Answer 1

我猜修正不会解决问题。你可以通过uising XXX.toarray（）

将密集向量转换为数组

pyspark：kmeans的分类变量准备

1 个答案: