Spark成长之路-Correlation
Posted Q博士
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了Spark成长之路-Correlation相关的知识,希望对你有一定的参考价值。
spark准备彻底支持DataFrame特性,所以重新了ml的api,原先的以RDD为基础的api都放在了mllib中,但是都是维护阶段,推荐使用ml下的api。
相关性
有2种相关性,皮尔森积矩相关系数和斯皮尔曼等级相关,具体原理请自行搜索,主要是判断两个向量的关联性。
样例
import org.apache.spark.ml.linalg.Matrix, Vectors
import org.apache.spark.ml.stat.Correlation
import org.apache.spark.sql.Row, SparkSession
object CorrelationExample
def main(args: Array[String]): Unit =
val spark = SparkSession.builder.appName("CorrelationExample").getOrCreate()
spark.sparkContext.setLogLevel("WARN")
val data = spark.sparkContext.makeRDD(Seq(
Vectors.sparse(4, Seq((0, 1.0), (3, -2.0))),
Vectors.dense(4.0, 5.0, 0.0, 3.0),
Vectors.dense(6.0, 7.0, 0.0, 8.0),
Vectors.sparse(4, Seq((0, 9.0), (3, 1.0)))
))
import spark.implicits._
val df = data.map(Tuple1.apply).toDF("features")
val Row(coeff1: Matrix) = Correlation.corr(df, "features").head
println("Pearson correlation matrix:\\n" + coeff1.toString)
val Row(coeff2: Matrix) = Correlation.corr(df, "features", "spearman").head
println("Spearman correlation matrix:\\n" + coeff2.toString)
执行结果
Pearson correlation matrix:
1.0 0.055641488407465814 NaN 0.4004714203168137
0.055641488407465814 1.0 NaN 0.9135958615342522
NaN NaN 1.0 NaN
0.4004714203168137 0.9135958615342522 NaN 1.0
Spearman correlation matrix:
1.0 0.10540925533894532 NaN 0.40000000000000174
0.10540925533894532 1.0 NaN 0.9486832980505141
NaN NaN 1.0 NaN
0.40000000000000174 0.9486832980505141 NaN 1.0
每一行都有四个数,代表当前第几个向量与Seq中的4个向量的相关性,比如皮尔森的第一行结果1.0 0.055641488407465814 NaN 0.4004714203168137
与自己的相关性是1.0,与第二个相关性为0.055641488407465814
,与第三个无法计算相关性,与第四个相关性0.055641488407465814
。
以上是关于Spark成长之路-Correlation的主要内容,如果未能解决你的问题,请参考以下文章