Question

我正在使用带有python的spark 2.2。我正在使用ml.feature模块中的PCA。我正在使用VectorAssembler将我的功能提供给PCA。为了澄清，假设我有一个包含三列col1，col2和col3的表，那么我正在做：

from pyspark.ml.feature import VectorAssembler
assembler = VectorAssembler(inputCols=table.columns, outputCol="features")
df = assembler.transform(table).select("features")
from pyspark.ml.feature import PCA
pca = PCA(k=2, inputCol="features", outputCol="pcaFeatures")
model = pca.fit(df)

此时我运行了2个组件的PCA，我可以将其值视为：

m = model.pc.values.reshape(3, 2)

对应于3（=我原始表中的列数）行和2（=我的PCA中的组件数）列。我的问题是这里的三行是否与我在上面的向量汇编程序中指定输入列的顺序相同？为进一步澄清，上述矩阵对应于：

          | PC1 | PC2 |
 ---------|-----|-----|
    col1  |     |     |
 ---------|-----|-----|
    col2  |     |     |
 ---------|-----|-----|
    col3  |     |     |
 ---------+-----+-----+

请注意，此处的示例仅为了清楚起见。在我真正的问题中，我正在处理~1600列和一堆选择。我在spark文档中找不到任何明确的答案。我想这样做，从原始表中选择最佳列/功能，根据最主要组件训练我的模型。或者，我应该考虑推断出这样的结果，还有什么其他/更好的火花ML PCA？

或者我不能使用PCA并且必须使用其他技术，如spearman排名等。

Answer 1

这里的（...）行的顺序与我指定输入列的顺序相同

是的，他们是。让我们跟踪发生的事情：

from pyspark.ml.feature import PCA, VectorAssembler

data = [
    (0.0, 1.0, 0.0, 7.0, 0.0), (2.0, 0.0, 3.0, 4.0, 5.0), 
    (4.0, 0.0, 0.0, 6.0, 7.0)
]

df = spark.createDataFrame(data, ["u", "v", "x", "y", "z"])

VectorAseembler遵循列的顺序：

assembler = VectorAssembler(inputCols=df.columns, outputCol="features")
vectors = assembler.transform(df).select("features")

vectors.schema[0].metadata
# {'ml_attr': {'attrs': {'numeric': [{'idx': 0, 'name': 'u'},
#     {'idx': 1, 'name': 'v'},
#     {'idx': 2, 'name': 'x'},
#     {'idx': 3, 'name': 'y'},
#     {'idx': 4, 'name': 'z'}]},
#   'num_attrs': 5}}

主要组成部分

model = PCA(inputCol="features", outputCol="pc_features", k=3).fit(vectors)

?model.pc
# Type:        property
# String form: <property object at 0x7feb5bdc1d68>
# Docstring:  
# Returns a principal components Matrix.
# Each column is one principal component.
# 
# .. versionadded:: 2.0.0

最后进行健全检查：

import numpy as np

x = np.array(data)
y = model.pc.values.reshape(3, 5).transpose()
z = np.array(model.transform(vectors).rdd.map(lambda x: x.pc_features).collect())

np.linalg.norm(x.dot(y) - z)
# 8.881784197001252e-16

Answer 2

您可以在此处查看列的实际顺序

df.schema["features"].metadata["ml_attr"]["attrs"]

通常会有两个类，[“binary]＆amp; [”numeric“]

pd.DataFrame(df.schema["features"].metadata["ml_attr"]["attrs"]["binary"]+df.schema["features"].metadata["ml_attr"]["attrs"]["numeric"]).sort_values("idx")

应该给出所有列的确切顺序。您可以验证输入和输入的顺序。输出保持不变。

python spark：使用PCA缩小大多数相关功能

2 个答案: