将向量列展开为DataFrame中的普通列[重复]

Posted 2023-04-15

【中文标题】将向量列展开为DataFrame中的普通列[重复]

【英文标题】：unfold vector column into normal columns in DataFrame [duplicate]

【发布时间】：2019-04-08 22:14:27

【问题描述】：

我想将向量列展开为数据框中的普通列。 .transform 创建单独的列，但是当我尝试 .show 时，数据类型或“可为空”出现错误 - 请参阅下面的示例代码。如何解决问题？

from pyspark.sql.types import *
from pyspark.ml.feature import VectorAssembler
from pyspark.sql.functions import udf

spark = SparkSession\
        .builder\
        .config("spark.driver.maxResultSize", "40g") \
        .config('spark.sql.shuffle.partitions', '2001') \
        .getOrCreate()

data = [(0.2, 53.3, 0.2, 53.3),
        (1.1, 43.3, 0.3, 51.3),
        (2.6, 22.4, 0.4, 43.3),
        (3.7, 25.6, 0.2, 23.4)]     
df = spark.createDataFrame(data, ['A','B','C','D'])
df.show(3)
df.printSchema() 

vecAssembler = VectorAssembler(inputCols=['C','D'], outputCol="features")
new_df = vecAssembler.transform(df)
new_df.printSchema()
new_df.show(3)

split1_udf = udf(lambda value: value[0], DoubleType())
split2_udf = udf(lambda value: value[1], DoubleType())
new_df = new_df.withColumn('c1', split1_udf('features')).withColumn('c2', split2_udf('features'))
new_df.printSchema()
new_df.show(3)

【问题讨论】：

错误是什么？

错误信息长达一英里，我理解的关键行如下： 原因：net.razorvine.pickle.PickleException：ClassDict 构造的预期零参数（用于 numpy.dtype）

Py4JJavaErrorTraceback（最近一次调用最后）----> 1 new_df.show(3) /opt/cloudera/parcels/SPARK2/lib/spark2/python/pyspark/sql/dataframe.py in show(self, n, truncate, vertical) --> 350 print(self._jdf.showString(n, 20, vertical))

/usr/local/lib/python2.7/site-packages/py4j/java_gateway.pyc in __call__(self, *args) 1256 return_value = get_return_value( -> 1257 answer, self.gateway_client, self.target_id, self.name) /opt/cloudera/parcels/SPARK2/lib/spark2/python/pyspark/sql/utils.py in deco(*a, **kw) ---> 63 return f(*a , **kw) /usr/local/lib/python2.7/site-packages/py4j/protocol.pyc in get_return_value(answer, gateway_client, target_id, name) --> 328 格式(target_id, ".", name) , 值）

@Goodfaithuser 不要将错误消息粘贴到 cmets 中。相反edit 你的问题包括完整的追溯。我知道它会很长，但它就是这样。

【参考方案1】：

我不知道 UDF 有什么问题。但我在下面找到了另一个解决方案。

data = [(0.2, 53.3, 0.2, 53.3),
        (1.1, 43.3, 0.3, 51.3),
        (2.6, 22.4, 0.4, 43.3),
        (3.7, 25.6, 0.2, 23.4)]      
df = spark.createDataFrame(data, ['A','B','C','D'])  

vecAssembler = VectorAssembler(inputCols=['C','D'], outputCol="features")
new_df = vecAssembler.transform(df)

def extract(row):
    return (row.A, row.B,row.C,row.D,) + tuple(row.features.toArray().tolist())

extracted_df = new_df.rdd.map(extract).toDF(['A','B','C','D', 'col1', 'col2'])
extracted_df.show()

【参考方案2】：

特征列包含pyspark.ml.linalg.DenseVector类型，特征向量元素为numpy.float64类型。

将numpy dtypes 转换为原生python 类型value.item()

split1_udf = udf(lambda value: value[0].item(), DoubleType())
split2_udf = udf(lambda value: value[1].item(), DoubleType())

使用此修复会产生以下输出

+---+----+---+----+----------+---+----+
|  A|   B|  C|   D|  features| c1|  c2|
+---+----+---+----+----------+---+----+
|0.2|53.3|0.2|53.3|[0.2,53.3]|0.2|53.3|
|1.1|43.3|0.3|51.3|[0.3,51.3]|0.3|51.3|
|2.6|22.4|0.4|43.3|[0.4,43.3]|0.4|43.3|
|3.7|25.6|0.2|23.4|[0.2,23.4]|0.2|23.4|
+---+----+---+----+----------+---+----+