在 Apache Spark Dataset<Row> 上应用 flatMap 操作时出现意外的编码器行为
Posted
技术标签:
【中文标题】在 Apache Spark Dataset<Row> 上应用 flatMap 操作时出现意外的编码器行为【英文标题】:Unexpected encoder behaviour when applying a flatMap operation on a Apache Spark Dataset<Row> 【发布时间】:2018-04-05 15:29:14 【问题描述】:我正在尝试将实际包含双精度值的 csv 字符串转换为 spark-ml 兼容数据集。由于我事先不知道预期的功能数量,我决定使用一个帮助类“实例”,它已经包含分类器使用的正确数据类型,并且在其他一些情况下已经按预期工作:
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
编码器架构正确地将 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,它会给我一行结构类型,不包含真实对象。
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。
【问题讨论】:
【参考方案1】:实际上,我的回答不是解释为什么你会得到一个结构类型。但是基于previous question,我可能可以提供一种解决方法。
原始输入用DataFrameReader's csv function解析,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");
【讨论】:
非常感谢!那正在解决我的实际问题。你能给我一个提示,我可以在哪里学习这种火花编码?我努力使用官方文档,但大部分 java 部分的文档很少。你能推荐一本书、课程或任何我可以学习和学习的地方吗? 我同意 java 部分的文档不是最好的。通常,我使用 Scala 文档和代码示例,然后尝试将其转换为 Java。 我也尝试过,但有时并不那么容易。不过,非常感谢大家的帮助。以上是关于在 Apache Spark Dataset<Row> 上应用 flatMap 操作时出现意外的编码器行为的主要内容,如果未能解决你的问题,请参考以下文章
如何在 apache spark 中同时使用 dataset.select 和 selectExpr
如何解决 Spark 中的“aggregateByKey 不是 org.apache.spark.sql.Dataset 的成员”?
Apache Spark :org.apache.spark.sql.Dataset.drop(String... colNames) 方法用于 Java