问题的简短版本！

Question

问题的简短版本！

请考虑以下代码段（假设spark已设置为某些SparkSession）：

from pyspark.sql import Row
source_data = [
    Row(city="Chicago", temperatures=[-1.0, -2.0, -3.0]),
    Row(city="New York", temperatures=[-7.0, -7.0, -5.0]), 
]
df = spark.createDataFrame(source_data)

请注意，temperature字段是浮点列表。我想将这些浮点数列表转换为MLlib类型Vector，我希望使用基本DataFrame API表示此转换，而不是通过RDD表达（因为它发送的效率很低）从JVM到Python的所有数据，处理都是用Python完成的，我们没有得到Spark的Catalyst优化器的好处，yada yada）。我该怎么做呢？具体做法是：

有没有办法让直接演员工作？请参阅下面的详细信息（以及尝试解决方法失败）？或者，还有其他任何具有我效果的操作吗？
我在下面建议的两个替代解决方案中哪个更有效（UDF vs爆炸/重新组合列表中的项目）？或者还有其他几乎但不太正确的替代方案比其中任何一种更好吗？

直接演员不起作用

这就是我期望的“正确”解决方案。我想将列的类型从一种类型转换为另一种类型，所以我应该使用强制转换。作为一个上下文，让我提醒您将其转换为其他类型的正常方法：

from pyspark.sql import types
df_with_strings = df.select(
    df["city"], 
    df["temperatures"].cast(types.ArrayType(types.StringType()))),
)

现在，例如df_with_strings.collect()[0]["temperatures"][1]是'-7.0'。但是如果我施放到ml Vector那么事情就不会那么顺利了：

from pyspark.ml.linalg import VectorUDT
df_with_vectors = df.select(df["city"], df["temperatures"].cast(VectorUDT()))

这会出错：

pyspark.sql.utils.AnalysisException: "cannot resolve 'CAST(`temperatures` AS STRUCT<`type`: TINYINT, `size`: INT, `indices`: ARRAY<INT>, `values`: ARRAY<DOUBLE>>)' due to data type mismatch: cannot cast ArrayType(DoubleType,true) to org.apache.spark.ml.linalg.VectorUDT@3bfc3ba7;;
'Project [city#0, unresolvedalias(cast(temperatures#1 as vector), None)]
+- LogicalRDD [city#0, temperatures#1]
"

糟糕！任何想法如何解决这个问题？

可能的替代方案

备选方案1：使用`VectorAssembler`

Transformer对于这项工作似乎非常理想：VectorAssembler。它需要一列或多列并将它们连接成一个向量。不幸的是，它只需要Vector和Float列，而不是Array列，因此以下操作不起作用：

from pyspark.ml.feature import VectorAssembler
assembler = VectorAssembler(inputCols=["temperatures"], outputCol="temperature_vector")
df_fail = assembler.transform(df)

它给出了这个错误：

pyspark.sql.utils.IllegalArgumentException: 'Data type ArrayType(DoubleType,true) is not supported.'

我能想到的最好的工作是将列表分成多个列，然后使用VectorAssembler将它们全部重新收集起来：

from pyspark.ml.feature import VectorAssembler
TEMPERATURE_COUNT = 3
assembler_exploded = VectorAssembler(
    inputCols=["temperatures[{}]".format(i) for i in range(TEMPERATURE_COUNT)], 
    outputCol="temperature_vector"
)
df_exploded = df.select(
    df["city"], 
    *[df["temperatures"][i] for i in range(TEMPERATURE_COUNT)]
)
converted_df = assembler_exploded.transform(df_exploded)
final_df = converted_df.select("city", "temperature_vector")

这似乎是理想的，除了TEMPERATURE_COUNT超过100，有时超过1000.（另一个问题是，如果您不知道代码的大小，代码会更复杂数组提前，虽然不是我的数据的情况。）Spark实际上是生成一个包含那么多列的中间数据集，还是只是认为这是个别项目瞬间通过的中间步骤（或者它确实优化了这个当它看到将这些列的唯一用途组装成一个向量时，完全离开了步骤）？

备选方案2：使用UDF

更简单的替代方法是使用UDF进行转换。这让我可以在一行代码中直接表达我想要做的事情，并且不需要使用疯狂的列数来创建数据集。但是所有这些数据都必须在Python和JVM之间进行交换，并且每个单独的数字都必须由Python处理（这对于迭代单个数据项来说是非常慢的）。这是看起来的样子：

from pyspark.ml.linalg import Vectors, VectorUDT
from pyspark.sql.functions import udf
list_to_vector_udf = udf(lambda l: Vectors.dense(l), VectorUDT())
df_with_vectors = df.select(
    df["city"], 
    list_to_vector_udf(df["temperatures"]).alias("temperatures")
)

可忽略的评论

这个漫无边际的问题的其余部分是我在试图找到答案时想出的一些额外的事情。大多数读这篇文章的人可能会跳过它们。

不是解决方案：使用`Vector`开头

在这个简单的例子中，可以使用矢量类型开始创建数据，但当然我的数据实际上不是我正在并行化的Python列表，而是从数据源读取。但是为了记录，这就是看起来的样子：

from pyspark.ml.linalg import Vectors
from pyspark.sql import Row
source_data = [
    Row(city="Chicago", temperatures=Vectors.dense([-1.0, -2.0, -3.0])),
    Row(city="New York", temperatures=Vectors.dense([-7.0, -7.0, -5.0])),
]
df = spark.createDataFrame(source_data)

效率低下的解决方案：使用`map()`

一种可能性是使用RDD map()方法将列表转换为Vector。这类似于UDF的想法，除了它更糟糕，因为序列化等的成本是由每行中的所有字段引起的，而不仅仅是正在操作的字段。为了记录，这是解决方案的样子：

df_with_vectors = df.rdd.map(lambda row: Row(
    city=row["city"], 
    temperatures=Vectors.dense(row["temperatures"])
)).toDF()

尝试使用强制转换

在绝望中，我注意到Vector在内部由具有四个字段的结构表示，但使用来自该类型结构的传统强制转换也不起作用。这是一个例子（我使用udf构建结构但是udf不是重要的部分）：

from pyspark.ml.linalg import Vectors, VectorUDT
from pyspark.sql.functions import udf
list_to_almost_vector_udf = udf(lambda l: (1, None, None, l), VectorUDT.sqlType())
df_almost_vector = df.select(
    df["city"], 
    list_to_almost_vector_udf(df["temperatures"]).alias("temperatures")
)
df_with_vectors = df_almost_vector.select(
    df_almost_vector["city"], 
    df_almost_vector["temperatures"].cast(VectorUDT())
)

这给出了错误：

pyspark.sql.utils.AnalysisException: "cannot resolve 'CAST(`temperatures` AS STRUCT<`type`: TINYINT, `size`: INT, `indices`: ARRAY<INT>, `values`: ARRAY<DOUBLE>>)' due to data type mismatch: cannot cast StructType(StructField(type,ByteType,false), StructField(size,IntegerType,true), StructField(indices,ArrayType(IntegerType,false),true), StructField(values,ArrayType(DoubleType,false),true)) to org.apache.spark.ml.linalg.VectorUDT@3bfc3ba7;;
'Project [city#0, unresolvedalias(cast(temperatures#5 as vector), None)]
+- Project [city#0, <lambda>(temperatures#1) AS temperatures#5]
+- LogicalRDD [city#0, temperatures#1]
"

Answer 1

就个人而言，我会使用Python UDF并且不会为其他任何事情烦恼：

Vectors不是本机SQL类型，因此会有这样或那样的性能开销。特别是此过程需要两个步骤，其中数据先是converted from external type to row，然后是from row to internal representation using generic RowEncoder。
任何下游ML Pipeline都比简单转换贵得多。此外，它需要与上述方法相反的方法

但如果你真的想要其他选择，那么你就是：

使用Python包装器的Scala UDF：

按照项目网站上的说明安装sbt。

使用以下结构创建Scala包：

.
├── build.sbt
└── udfs.scala

修改build.sbt（调整以反映Scala和Spark版本）：

scalaVersion := "2.11.8"

libraryDependencies ++= Seq(
  "org.apache.spark" %% "spark-sql" % "2.1.0",
  "org.apache.spark" %% "spark-mllib" % "2.1.0"
)

修改udfs.scala：

package com.example.spark.udfs

import org.apache.spark.sql.functions.udf
import org.apache.spark.ml.linalg.DenseVector

object udfs {
  val as_vector = udf((xs: Seq[Double]) => new DenseVector(xs.toArray))
}

包装：

sbt package

并包括（或等同于Scala vers：

$PROJECT_ROOT/target/scala-2.11/udfs_2.11-0.1-SNAPSHOT.jar

作为--driver-class-path在启动shell / submitting应用程序时的参数。

在PySpark中定义一个包装器：

from pyspark.sql.column import _to_java_column, _to_seq, Column
from pyspark import SparkContext

def as_vector(col):
    sc = SparkContext.getOrCreate()
    f = sc._jvm.com.example.spark.udfs.udfs.as_vector()
    return Column(f.apply(_to_seq(sc, [col], _to_java_column)))

测试：

with_vec = df.withColumn("vector", as_vector("temperatures"))
with_vec.show()

+--------+------------------+----------------+
|    city|      temperatures|          vector|
+--------+------------------+----------------+
| Chicago|[-1.0, -2.0, -3.0]|[-1.0,-2.0,-3.0]|
|New York|[-7.0, -7.0, -5.0]|[-7.0,-7.0,-5.0]|
+--------+------------------+----------------+

with_vec.printSchema()

root
 |-- city: string (nullable = true)
 |-- temperatures: array (nullable = true)
 |    |-- element: double (containsNull = true)
 |-- vector: vector (nullable = true)

将数据转储为反映DenseVector架构的JSON格式并将其读回：

from pyspark.sql.functions import to_json, from_json, col, struct, lit
from pyspark.sql.types import StructType, StructField
from pyspark.ml.linalg import VectorUDT

json_vec = to_json(struct(struct(
    lit(1).alias("type"),  # type 1 is dense, type 0 is sparse
    col("temperatures").alias("values")
).alias("v")))

schema = StructType([StructField("v", VectorUDT())])

with_parsed_vector = df.withColumn(
    "parsed_vector", from_json(json_vec, schema).getItem("v")
)

with_parsed_vector.show()

+--------+------------------+----------------+
|    city|      temperatures|   parsed_vector|
+--------+------------------+----------------+
| Chicago|[-1.0, -2.0, -3.0]|[-1.0,-2.0,-3.0]|
|New York|[-7.0, -7.0, -5.0]|[-7.0,-7.0,-5.0]|
+--------+------------------+----------------+

with_parsed_vector.printSchema()

root
 |-- city: string (nullable = true)
 |-- temperatures: array (nullable = true)
 |    |-- element: double (containsNull = true)
 |-- parsed_vector: vector (nullable = true)

Answer 2

我遇到了和你一样的问题，我这样做了。这种方式包括RDD转换，因此不是性能关键，但它可以工作。

from pyspark.sql import Row
from pyspark.ml.linalg import Vectors

source_data = [
    Row(city="Chicago", temperatures=[-1.0, -2.0, -3.0]),
    Row(city="New York", temperatures=[-7.0, -7.0, -5.0]), 
]
df = spark.createDataFrame(source_data)

city_rdd = df.rdd.map(lambda row:row[0])
temp_rdd = df.rdd.map(lambda row:row[1])
new_df = city_rdd.zip(temp_rdd.map(lambda x:Vectors.dense(x))).toDF(schema=['city','temperatures'])

new_df

结果是，

DataFrame[city: string, temperatures: vector]

如何将数组（即列表）列转换为Vector

问题的简短版本！

直接演员不起作用

可能的替代方案

备选方案1：使用`VectorAssembler`

备选方案2：使用UDF

可忽略的评论

不是解决方案：使用`Vector`开头

效率低下的解决方案：使用`map()`

尝试使用强制转换

2 个答案:

如何将数组（即列表）列转换为Vector

问题的简短版本！

直接演员不起作用

可能的替代方案

备选方案1：使用VectorAssembler

备选方案2：使用UDF

可忽略的评论

不是解决方案：使用Vector开头

效率低下的解决方案：使用map()

尝试使用强制转换

2 个答案:

备选方案1：使用`VectorAssembler`

不是解决方案：使用`Vector`开头

效率低下的解决方案：使用`map()`