将 RDD 转换为 kmeans 的有效输入
Posted
技术标签:
【中文标题】将 RDD 转换为 kmeans 的有效输入【英文标题】:Transform RDD to valid input for kmeans 【发布时间】:2018-03-31 17:49:33 【问题描述】:我正在使用包含 csv 文件的目录的 spark mllib 算法计算 TF 和 IDF,代码如下:
import argparse
from os import system
### args parsing
parser = argparse.ArgumentParser(description='runs TF/IDF on a directory of
text docs')
parser.add_argument("-i","--input", help="the input in HDFS",
required=True)
parser.add_argument("-o", '--output', help="the output in HDFS",
required=True )
parser.add_argument("-mdf", '--min_document_frequency', default=1 )
args = parser.parse_args()
docs_dir = args.input
d_out = "hdfs://master:54310/" + args.output
min_df = int(args.min_document_frequency)
# import spark-realated stuff
from pyspark import SparkContext
from pyspark.mllib.feature import HashingTF
from pyspark.mllib.feature import IDF
sc = SparkContext(appName="TF-IDF")
# Load documents (one per line).
documents = sc.textFile(docs_dir).map(lambda title_text:
title_text[1].split(" "))
hashingTF = HashingTF()
tf = hashingTF.transform(documents)
# IDF
idf = IDF().fit(tf)
tfidf = idf.transform(tf)
#print(tfidf.collect())
#save
tfidf.saveAsTextFile(d_out)
使用
print(tfidf.collect())
我得到这个输出:
[SparseVector(1048576, 812399: 4.3307), SparseVector(1048576, 411697:
0.0066), SparseVector(1048576, 411697: 0.0066), SparseVector(1048576,
411697: 0.0066), SparseVector(1048576, 411697: 0.0066), ....
我还测试了 KMeans mllib 算法:
from __future__ import print_function
import sys
import numpy as np
from pyspark import SparkContext
from pyspark.mllib.clustering import KMeans
runs=4
def parseVector(line):
return np.array([float(x) for x in line.split(' ')])
if __name__ == "__main__":
if len(sys.argv) != 3:
print("Usage: kmeans <file> <k>", file=sys.stderr)
exit(-1)
sc = SparkContext(appName="KMeans")
lines = sc.textFile(sys.argv[1])
data = lines.map(parseVector)
k = int(sys.argv[2])
model = KMeans.train(data, k, runs)
print("Final centers: " + str(model.clusterCenters))
print("Total Cost: " + str(model.computeCost(data)))
sc.stop()
使用这个示例测试用例
0.0 0.0 0.0
0.1 0.1 0.1
0.2 0.2 0.2
9.0 9.0 9.0
9.1 9.1 9.1
9.2 9.2 9.2
而且效果很好。
现在我想在 KMeans 算法中应用上面 tfidf 的 rdd 输出,但我不知道如何像上面的示例文本一样转换 rdd,或者如何在 KMeans 算法中正确拆分 rdd 到正常工作。
我真的需要一些帮助。
更新
我真正的问题是如何从这样的文本文件中读取输入以将其应用于 KMeans mllib
(1048576,[155412,857472,756332],[1.75642010278,2.41857747478,1.97365255252])
(1048576,[159196,323305,501636],[2.98856378408,1.63863706713,2.44956728334])
(1048576,[135312,847543,743411],[1.42412015238,1.58759872958,2.01237484818])
更新2
我完全不确定,但我认为我需要从上面的向量转到下面的数组,以便将它直接应用于 KMeans mllib 算法
1.75642010278 2.41857747478 1.97365255252
2.98856378408 1.63863706713 2.44956728334
1.42412015238 1.58759872958 2.01237484818
【问题讨论】:
【参考方案1】:IDF 的输出是SparseVector
的数据框。 KMeans 将向量作为输入(稀疏或密集),因此,不需要进行任何转换。您应该能够直接使用来自 IDF 的输出列作为 KMeans 的输入。
如果您需要在运行 TFIDF 和 KMeans 之间将数据保存到磁盘,我建议您通过数据帧 API 将其保存为 csv。
首先使用Row
转换为数据框:
from pyspark.sql import Row
row = Row("features") # column name
df = tfidf.map(row).toDF()
另一种无需导入即可转换的方法:
df = tfidf.map(lambda x: (x, )).toDF(["features"])
转换后将数据框保存为 parquet 文件:
df.write.parquet('/path/to/save/file')
要读取数据,只需使用:
from pyspark.sql import SQLContext
sqlContext = SQLContext(sc)
df = sqlContext.read.parquet('/path/to/file')
# converting from dataframe into an RDD[Vector]
data = df.rdd.map(list)
如果您在任何情况下都需要从保存为字符串的向量进行转换,这也是可能的。下面是一些示例代码:
from pyspark.mllib.linalg import Vectors, VectorUDT
from pyspark.sql.functions import udf
df = sc.parallelize(["(7,[1,2,4],[1,1,1])"]).toDF(["features"])
parse = udf(lambda s: Vectors.parse(s), VectorUDT())
df.select(parse("features"))
首先创建一个具有相同格式的示例数据框。然后使用UDF
将字符串解析为向量。如果您想要一个 rdd 而不是数据框,请使用上面“从镶木地板读取”部分的代码进行转换。
但是,IDF
的输出非常稀疏。这些向量的长度为 1048576,其中只有一个的值大于 1。KMeans 不会给您任何有趣的结果。
我建议您改为查看word2vec。它将为每个单词提供一个更紧凑的向量,并且对这些向量进行聚类会更有意义。使用这种方法,您可以接收到单词到它们的向量表示的映射,该映射可用于聚类。
【讨论】:
以上是关于将 RDD 转换为 kmeans 的有效输入的主要内容,如果未能解决你的问题,请参考以下文章
Spark算子:RDD基本转换操作–mapflatMapdistinct