在Apache Spark数据集<row>上应用flatMap操作时出现意外的编码器行为

时间:2018-04-05 15:29:15

标签: java apache-spark apache-spark-dataset

我正在尝试将实际包含double值的csv-string转换为spark-ml兼容数据集。由于我不知道事先预期的功能数量,所以我决定使用一个辅助类“Instance”,它已经包含了分类器使用的正确数据类型,并且已经在其他一些情况下正常工作:

public class Instance implements Serializable {
    /**
     * 
     */
    private static final long serialVersionUID = 6091606543088855593L;
    private Vector indexedFeatures;
    private double indexedLabel;
    ...getters and setters for both fields...
}

我得到意外行为的部分就是这个:

    Encoder<Instance> encoder = Encoders.bean(Instance.class);
    System.out.println("encoder.schema()");
    encoder.schema().printTreeString();
    Dataset<Instance> dfInstance = df.select("value").as(Encoders.STRING())
              .flatMap(s -> {
                String[] splitted = s.split(",");

                int length = splitted.length;
                double[] features = new double[length-1];
                for (int i=0; i<length-1; i++) {
                    features[i] = Double.parseDouble(splitted[i]);
                }

                if (length < 2) {
                    return Collections.emptyIterator();
                } else {
                    return Collections.singleton(new Instance( 
                        Vectors.dense(features), 
                        Double.parseDouble(splitted[length-1])
                        )).iterator();
                }
              }, encoder);

    System.out.println("dfInstance");
    dfInstance.printSchema();
    dfInstance.show(5);

我在控制台上得到以下输出:

encoder.schema()
root
 |-- indexedFeatures: vector (nullable = true)
 |-- indexedLabel: double (nullable = false)

dfInstance
root
 |-- indexedFeatures: struct (nullable = true)
 |-- indexedLabel: double (nullable = true)

+---------------+------------+
|indexedFeatures|indexedLabel|
+---------------+------------+
|             []|         0.0|
|             []|         0.0|
|             []|         1.0|
|             []|         0.0|
|             []|         1.0|
+---------------+------------+
only showing top 5 rows

编码器模式正确地将indexedFeatures行数据类型显示为向量。但是当我应用编码器并进行转换时,它会给我一行类型struct,不包含任何实际对象。

我想了解,为什么Spark会为我提供结构类型而不是正确的向量类型。

1 个答案:

答案 0 :(得分:1)

实际上,我的回答并不是为什么你得到一个结构类型的解释。但基于previous question,我可能会提供一种解决方法。

使用DataFrameReader's csv function解析原始输入,并再次使用VectorAssembler

Dataset<Row> csv = spark.read().option("inferSchema", "true")
  .csv(inputDf.select("value").as(Encoders.STRING()));
String[] fieldNames = csv.schema().fieldNames();    
VectorAssembler assembler = new VectorAssembler().setInputCols(
  Arrays.copyOfRange(fieldNames, 0, fieldNames.length-1))
  .setOutputCol("indexedFeatures");
Dataset<Row> result = assembler.transform(csv)
  .withColumn("indexedLabel", functions.col(fieldNames[fieldNames.length-1]))
  .select("indexedFeatures", "indexedLabel");