使用Pyspark

Question

在将Countvectorizer应用于tweet的语料库后，我得到了一个带有两个同义“标签”和“稀疏向量”的spark数据框。

当尝试训练随机森林回归模型时，我发现它仅接受Type LabeledPoint。

有人知道如何将我的spark DataFrame转换为LabeledPoint

Answer 1

您使用的哪个Spark版本。 Spark使用spark ml代替mllib。

from pyspark.ml.feature import CountVectorizer
from pyspark.ml.classification import RandomForestClassifier
from pyspark.sql import functions as F

# Input data: Each row is a bag of words with a ID.
df = sqlContext.createDataFrame([
    (0, "a b c".split(" ")),
    (1, "a b b c a".split(" "))
], ["id", "words"])

# fit a CountVectorizerModel from the corpus.
cv = CountVectorizer(inputCol="words", outputCol="features", vocabSize=3, minDF=2.0)

model = cv.fit(df)

result = model.transform(df).withColumn('label', F.lit(0))
rf = RandomForestClassifier(labelCol="label", featuresCol="features", numTrees=10)
rf.fit(result)

如果您坚持使用mllib：

from pyspark.mllib.regression import LabeledPoint
from pyspark.mllib.tree import RandomForest

rdd = result \ 
          .rdd \
          .map(lambda row: LabeledPoint(row['label'], row['features'].toArray()))
RandomForest.trainClassifier(rdd, 2, {}, 3)