应用模型后Pyspark提取转换数据帧的概率[重复]
Posted
技术标签:
【中文标题】应用模型后Pyspark提取转换数据帧的概率[重复]【英文标题】:Pyspark Extracting probability of transformed dataframe after applying model [duplicate] 【发布时间】:2019-05-22 07:56:06 【问题描述】:在对数据集应用 RandomForestClassifier 进行二元分类和预测后,我获得了具有标签、预测和概率列的转换数据框 df。目标: 我想创建一个新列“prob_flag”,它是预测标签“1”的概率。它是包含概率的数组的第二个元素(它本身就是第一个数组的第三个元素)。
我查看了similar topics,但我收到了在这些主题中未遇到的错误。
df.show()
label prediction probability
0 0 [1,2,[],[0.7558548984793847,0.2441451015206153]]
0 0 [1,2,[],[0.5190322149055472,0.4809677850944528]]
0 1 [1,2,[],[0.4884140358521083,0.5115859641478916]]
0 1 [1,2,[],[0.4884140358521083,0.5115859641478916]]
1 1 [1,2,[],[0.40305518381637956,0.5969448161836204]]
1 1 [1,2,[],[0.40570407426458577,0.5942959257354141]]
# The probability column is VectorUDT and looks like an array of dim 4 that contains probabilities of predicted variables I want to retrieve
df.schema
StructType(List(StructField(label,DoubleType,true),StructField(prediction,DoubleType,false),StructField(probability,VectorUDT,true)))
# I tried this:
import pyspark.sql.functions as f
df.withColumn("prob_flag", f.array([f.col("probability")[3][1])).show()
"Can't extract value from probability#6225: need struct type but got struct<type:tinyint,size:int,indices:array<int>,values:array<double>>;"
我想创建一个新列“prob_flag”,它是预测标签“1”的概率。它是包含概率的数组的第二个数字,例如0.24、0.48、0.51、0.51、0.59、0.59。
【问题讨论】:
【参考方案1】:很遗憾,您不能像提取 ArrayType 一样提取 VectorUDT 的字段。
您必须改用 udf:
from pyspark.sql.types import DoubleType
from pyspark.sql.functions import udf, col
def extract_prob(v):
try:
return float(v[1]) # Your VectorUDT is of length 2
except ValueError:
return None
extract_prob_udf = udf(extract_prob, DoubleType())
df2 = df.withColumn("prob_flag", extract_prob_udf(col("probability")))
【讨论】:
以上是关于应用模型后Pyspark提取转换数据帧的概率[重复]的主要内容,如果未能解决你的问题,请参考以下文章
在 Pyspark 中将 Pandas 数据帧转换为 Spark 数据帧的 TypeError