将数据帧转换为 libsvm 格式

Posted 2023-03-12

【中文标题】将数据帧转换为 libsvm 格式

【英文标题】：convert dataframe to libsvm format

【发布时间】：2017-10-10 17:36:14

【问题描述】：

我有一个由 sql 查询产生的数据框

df1 = sqlContext.sql("select * from table_test")

我需要将此数据帧转换为 libsvm 格式，以便可以将其作为输入提供给

pyspark.ml.classification.LogisticRegression

我尝试执行以下操作。但是，这导致了以下错误，因为我使用的是 spark 1.5.2

df1.write.format("libsvm").save("data/foo")
Failed to load class for data source: libsvm

我想改用 MLUtils.loadLibSVMFile。我在防火墙后面，不能直接 pip 安装它。所以我下载了文件，对其进行了 scp 编辑，然后手动安装了它。一切似乎都正常，但我仍然收到以下错误

import org.apache.spark.mllib.util.MLUtils
No module named org.apache.spark.mllib.util.MLUtils

问题 1：我上述的方法是否正确。 问题 2：如果问题 1“是”，如何让 MLUtils 工作。如果“否”，的最佳方法是什么

【问题讨论】：

你能提供一个df1行的例子吗？因为如您所见here 和here，saveAsLibSVMFile 需要一个LabeledPoint 的RDD，所以在将dataframe 转换为libsvm 之前，您必须考虑df1 中数据的含义。

而不是import org.apache.spark.mllib.util.MLUtils，你试过from pyspark.mllib.util import MLUtils 吗？

from pyspark.mllib.util import MLUtils 做到了。谢谢

【参考方案1】：

我会那样做（这只是一个带有任意数据框的示例，我不知道您的 df1 是如何完成的，重点是数据转换）：

这是我将数据帧转换为 libsvm 格式的方法：

# ... your previous imports

from pyspark.mllib.util import MLUtils
from pyspark.mllib.regression import LabeledPoint

# A DATAFRAME
>>> df.show()
+---+---+---+
| _1| _2| _3|
+---+---+---+
|  1|  3|  6|  
|  4|  5| 20|
|  7|  8|  8|
+---+---+---+

# FROM DATAFRAME TO RDD
>>> c = df.rdd # this command will convert your dataframe in a RDD
>>> print (c.take(3))
[Row(_1=1, _2=3, _3=6), Row(_1=4, _2=5, _3=20), Row(_1=7, _2=8, _3=8)]

# FROM RDD OF TUPLE TO A RDD OF LABELEDPOINT
>>> d = c.map(lambda line: LabeledPoint(line[0],[line[1:]])) # arbitrary mapping, it's just an example
>>> print (d.take(3))
[LabeledPoint(1.0, [3.0,6.0]), LabeledPoint(4.0, [5.0,20.0]), LabeledPoint(7.0, [8.0,8.0])]

# SAVE AS LIBSVM
>>> MLUtils.saveAsLibSVMFile(d, "/your/Path/nameFolder/")

您将在“/your/Path/nameFolder/part-0000*”文件中看到的是：

1.0 1:3.0 2:6.0

4.0 1:5.0 2:20.0

7.0 1:8.0 2:8.0

请参阅 here 获取 LabeledPoint 文档

【讨论】：

如果DataFrame包含None怎么办？

我目前还在尝试将 LibSVM 格式作为标准化格式，用于在 Spark 项目中在 Python 和 Java 之间交换标签/特征数据集。但是，我对根据@titiro89 的解决方案创建的多个文件感到有些困惑。为什么将数据拆分到多个文件中，如何将其保存到单个文本文件中？或者，我怎样才能读取这些多个“part-0000*”文件？ AFAICS，Spark的MLUtils.util中的方法loadLibSVMFile()需要单个文件，很奇怪； saveAsLibSVMFile()在同一个util文件中会产生多个文件。

【参考方案2】：

我必须这样做才能让它工作

D.map(lambda line: LabeledPoint(line[0],[line[1],line[2]]))

【讨论】：

到目前为止，这是一条评论。请解释为什么这对您有用以及为什么接受的答案不起作用。请自行回答。

【参考方案3】：

如果您想将稀疏向量转换为更高效的“稀疏”libsvm，请尝试以下操作：

from pyspark.ml.linalg import Vectors
from pyspark.mllib.linalg import Vectors as MLLibVectors
from pyspark.mllib.regression import LabeledPoint
from pyspark.mllib.util import MLUtils

df = spark.createDataFrame([
    (0, Vectors.sparse(5, [(1, 1.0), (3, 7.0)])),
    (1, Vectors.sparse(5, [(1, 1.0), (3, 7.0)])),
    (1, Vectors.sparse(5, [(1, 1.0), (3, 7.0)]))
], ["label", "features"])
df.show()

# +-----+-------------------+
# |label|           features|
# +-----+-------------------+
# |    0|(5,[1,3],[1.0,7.0])|
# |    1|(5,[1,3],[1.0,7.0])|
# |    1|(5,[1,3],[1.0,7.0])|
# +-----+-------------------+

MLUtils.saveAsLibSVMFile(df.rdd.map(lambda x: LabeledPoint(x.label, MLLibVectors.fromML(x.features))), './libsvm')