将KMeans“中心”输出转换为PySpark数据帧

时间:2019-07-01 12:13:04

标签: pyspark amazon-emr

我正在运行K均值聚类模型,我想分析聚类质心,但是中心输出是我的20个质心的LIST,其坐标(每个8个)为ARRAY。我需要它作为一个数据帧,将簇1:20作为行,并将它们的属性值(质心坐标)作为列,如下所示:

c1 | 0.85 | 0.03 | 0.01 | 0.00 | 0.12 | 0.01 | 0.00 | 0.12 
c2 | 0.25 | 0.80 | 0.10 | 0.00 | 0.12 | 0.01 | 0.00 | 0.77
c3 | 0.05 | 0.10 | 0.00 | 0.82 | 0.00 | 0.00 | 0.22 | 0.00

数据帧格式很重要,因为我想做的是:

对于每个质心 确定3个最强属性 为20个质心中的每个质心创建一个“名称”,该名称是该质心中3个最主要特征的串联

例如:

c1 | milk_eggs_cheese
c2 | meat_milk_bread
c3 | toiletries_bread_eggs

此代码在Zeppelin,EMR版本5.19,Spark2.4中运行。该模型很好用,但这是Spark文档(https://spark.apache.org/docs/latest/ml-clustering.html#k-means)中的样板代码,它产生了我无法真正使用的数组输出列表。

centers = model.clusterCenters()
print("Cluster Centers: ")
for center in centers:
    print(center)

这是我得到的输出的摘录。

Cluster Centers: 
[0.12391775 0.04282062 0.00368751 0.27282358 0.00533401 0.03389095
 0.04220946 0.03213536 0.00895981 0.00990327 0.01007891]
[0.09018751 0.01354349 0.0130329  0.00772877 0.00371508 0.02288211
 0.032301   0.37979978 0.002487   0.00617438 0.00610262]
[7.37626746e-02 2.02469798e-03 4.00944473e-04 9.62304581e-04
 5.98964859e-03 2.95190585e-03 8.48736175e-01 1.36797882e-03
 2.57451073e-04 6.13320072e-04 5.70559278e-04]

基于How to convert a list of array to Spark dataframe,我已经尝试过:

df = sc.parallelize(centers).toDF(['fresh_items', 'wine_liquor', 'baby', 'cigarettes', 'fresh_meat', 'fruit_vegetables', 'bakery', 'toiletries', 'pets', 'coffee', 'cheese'])
df.show()

但这会引发以下错误:

ValueError: The truth value of an array with more than one element is ambiguous. Use a.any() or a.all()

1 个答案:

答案 0 :(得分:0)

model.clusterCenters()为您提供了一个numpy数组列表,而不是像您已链接的答案中的列表列表。只需在创建数据框之前将numpy数组转换为列表即可:

bla = [e.tolist() for e in centers]
df = sc.parallelize(bla).toDF(['fresh_items', 'wine_liquor', 'baby', 'cigarettes', 'fresh_meat', 'fruit_vegetables', 'bakery', 'toiletries', 'pets', 'coffee', 'cheese'])
#or df = spark.createDataFrame(bla, ['fresh_items', 'wine_liquor', 'baby', 'cigarettes', 'fresh_meat', 'fruit_vegetables', 'bakery', 'toiletries', 'pets', 'coffee', 'cheese']
df.show()