我有一个数据框如下:
+-----+--------------------+
|LABEL| TERM|
+-----+--------------------+
| 4| inhibitori_effect|
| 4| novel_therapeut|
| 4| antiinflammator...|
| 4| promis_approach|
| 4| cell_function|
| 4| cell_line|
| 4| cancer_cell|
我想通过将所有术语作为序列来创建一个新的数据帧,以便我可以将它们与Word2vec一起使用。那就是:
+-----+--------------------+
|LABEL| TERM|
+-----+--------------------+
| 4| inhibitori_effect, novel_therapeut,..., cell_line |
因此,我想应用此处给出的示例代码:https://spark.apache.org/docs/latest/ml-features.html#word2vec
到目前为止,我已尝试将df转换为RDD并映射它。然后我无法将其重新转换为df。
提前致谢。
编辑:
import org.apache.spark.{SparkContext, SparkConf}
import org.apache.spark.sql.hive.HiveContext
import org.apache.spark.sql.SQLContext
val sc = new SparkContext(conf)
val sqlContext: SQLContext = new HiveContext(sc)
val df = sqlContext.load("jdbc",Map(
"url" -> "jdbc:oracle:thin:...",
"dbtable" -> "table"))
df.show(20)
df.groupBy($"label").agg(collect_list($"term").alias("term"))
答案 0 :(得分:4)
您可以使用collect_list
或collect_set
函数:
import org.apache.spark.sql.functions.{collect_list, collect_set}
df.groupBy($"label").agg(collect_list($"term").alias("term"))
在Spark< 2.0它需要HiveContext
并且在Spark 2.0+中你必须在SessionBuilder
中启用配置单元支持。见Use collect_list and collect_set in Spark SQL