Spark：如何将 DataFrame 更改为 LibSVM 并执行逻辑回归

Posted 2023-03-12

【中文标题】Spark：如何将 DataFrame 更改为 LibSVM 并执行逻辑回归

【英文标题】：Spark: How change DataFrame to LibSVM and perform logistic regression

【发布时间】：2016-02-06 07:51:06

【问题描述】：

我正在使用此代码将数据从 Hive 获取到 Spark：

val hc = new org.apache.spark.sql.hive.HiveContext(sc)
val MyTab = hc.sql("select * from svm_file")

我得到了 DataFrame：

scala> MyTab.show()
+--------------------+
|                line|
+--------------------+
|0 2072:1 8594:1 7...|
|0 8609:3 101617:1...|
|            0 7745:2|
|0 6696:2 9568:21 ...|
|0 200076:1 200065...|
|0 400026:20 6936:...|
|0 7793:2 9221:7 1...|
|0 4831:1 400026:1...|
|0 400011:1 400026...|
|0 200072:1 6936:1...|
|0 200065:29 4831:...|
|1 400026:20 3632:...|
|0 400026:19 6936:...|
|0 190004:1 9041:2...|
|0 190005:1 100120...|
|0 400026:21 6936:...|
|0 190004:1 3116:3...|
|0 1590:12 8594:56...|
|0 3632:2 9240:1 4...|
|1 400011:1 400026...|
+--------------------+
only showing top 20 rows

如何将此 DataFrame 转换为 libSVM 以执行逻辑回归，如下例所示：https://altiscale.zendesk.com/hc/en-us/articles/202627136-Spark-Shell-Examples？

【参考方案1】：

我会说首先不要将其加载到DataFrame，而只需使用MLUtils.loadLibSVMFile，但如果由于某种原因这不是一个选项，您可以转换为RDD[String]并使用相同的映射逻辑被loadLibSVMFile使用

import org.apache.spark.sql.Row
import org.apache.spark.mllib.regression.LabeledPoint

MyTab
  .map case Row(line: String) => line 
  .map(_.trim)
  .filter(line => !(line.isEmpty || line.startsWith("#")))
  .map  line => ??? 

代替???，只需复制并粘贴a relevant part of the loadLibSVMFile method

【讨论】：

完美运行，但您能告诉我如何将其转换为 LabeledPoint 吗？我正在尝试使用此代码：MyTabSVM.map(x => LabeledPoint( x._1, Vectors.sparse( ?, x._2, x._3)))，但我不确定我应该为? 参数输入什么。

MyTabSVM.map(_._2.max).max + 1

当我尝试运行模型时，出现以下错误：org.apache.spark.SparkException: Job aborted due to stage failure: Task 0 in stage 6.0 failed 4 times, most recent failure: Lost task 0.3 in stage 6.0 (TID 31, hdfs-58.hadoop.srv): java.lang.IllegalArgumentException: requirement failed: indices should be one-based and in ascending order。当我想打印数据时它会出现。有什么想法吗？

这表明你有一些格式错误的条目，但没有额外的我只能猜测。

如果您收到requirement failed: indices should be one-based and in ascending order 错误，那么（1）您的向量维度未按升序排序或（2）您的维度索引从0 开始而不是1

【参考方案2】：

sklearn.datasets.dump_svmlight_file 函数有一个名为zero_based 的参数。默认为True。这意味着索引将从 0 开始。Spark 希望它们从 1 开始。所以：设为False。