Question

当我尝试将df2提供给kmeans时，我收到以下错误

clusters = KMeans.train(df2, 10, maxIterations=30,
                        runs=10, initializationMode="random")

我得到的错误：

Cannot convert type <class 'pyspark.sql.types.Row'> into Vector

df2是按以下方式创建的数据框：

df = sqlContext.read.json("data/ALS3.json")
df2 = df.select('latitude','longitude')

df2.show()


     latitude|       longitude|

   60.1643075|      24.9460844|
   60.4686748|      22.2774728|

如何将这两列转换为Vector并将其提供给KMeans？

Answer 1

ML

问题在于您错过了documentation's example，并且非常清楚方法train需要DataFrame并Vector作为功能。< / p>

要修改您当前的数据结构，您可以使用VectorAssembler。在你的情况下，它可能是这样的：

from pyspark.sql.functions import *

vectorAssembler = VectorAssembler(inputCols=["latitude", "longitude"],
                                  outputCol="features")

# For your special case that has string instead of doubles you should cast them first.
expr = [col(c).cast("Double").alias(c) 
        for c in vectorAssembler.getInputCols()]

df2 = df2.select(*expr)
df = vectorAssembler.transform(df2)

此外，您还应该使用课程MinMaxScaler规范化features以获得更好的效果。

MLLib

要使用MLLib实现此目的，您需要先使用地图功能，将所有string值转换为Double，然后将它们合并到DenseVector中}。

rdd = df2.map(lambda data: Vectors.dense([float(c) for c in data]))

在此之后，您可以使用rdd变量训练MLlib's KMeans model。

Answer 2

我 PySpark 2.3.1 在KMeans上执行DataFrame，如下所示：

编写要包含在群集分析中的列的列表：

feat_cols = ['latitude','longitude']`

您需要所有列都是数值：

expr = [col(c).cast("Double").alias(c) for c in feat_cols]
df2 = df2.select(*expr)

使用mllib.linalg.Vectors：

功能

from pyspark.ml.feature import VectorAssembler
assembler = VectorAssembler(inputCols=feat_cols, outputCol="features")
df3 = assembler.transform(df2).select('features')

您应该规范化您的功能，因为并非总是需要规范化，但很少会受到伤害（more about this here）：

from pyspark.ml.feature import StandardScaler
scaler = StandardScaler(
    inputCol="features",
    outputCol="scaledFeatures",
    withStd=True,
    withMean=False)
scalerModel = scaler.fit(df3)
df4 = scalerModel.transform(df3).drop('features')\
                     .withColumnRenamed('scaledFeatures', 'features')

将您的DataFrame对象df4变为密集的向量RDD：

from pyspark.mllib.linalg import Vectors
data5 = df4.rdd.map(lambda row: Vectors.dense([x for x in row['features']]))

使用获得的RDD对象作为KMeans培训的输入：

from pyspark.mllib.clustering import KMeans
model = KMeans.train(data5, k=3, maxIterations=10)

示例：在向量空间中对点 p 进行分类：

prediction = model.predict(p)

如何将类型Row转换为Vector以提供给KMeans

2 个答案:

ML

MLLib