Spark 2.0 - 如何获取与集群中心关联的集群 ID

Posted 2023-03-12

【中文标题】Spark 2.0 - 如何获取与集群中心关联的集群 ID

【英文标题】：Spark 2.0 - How to obtain Cluster ID associated with Cluster Center

【发布时间】：2018-04-24 03:36:18

【问题描述】：

我想知道与集群中心关联的 ID 是什么。 model.transform(dataset) 将为我的数据点分配一个预测的集群 ID，model.clusterCenters.foreach(println) 将打印这些集群中心，但我无法弄清楚如何将集群中心与其 ID 相关联。

import org.apache.spark.ml.clustering.KMeans

// Loads data.
val dataset = spark.read.format("libsvm").load("data/mllib/sample_kmeans_data.txt")

// Trains a k-means model.
val kmeans = new KMeans().setK(2).setSeed(1L)
val model = kmeans.fit(dataset)
val prediction = model.transform(dataset)

// Shows the result.
println("Cluster Centers: ")
model.clusterCenters.foreach(println)

理想情况下，我想要这样的输出：

|I.D     |cluster center |
==========================
|0       |[0.0,...,0.3]  |
|2       |[1.0,...,1.3]  |
|1       |[2.0,...,1.3]  |
|3       |[3.0,...,1.3]  |

在我看来，println 顺序不是按 ID 排序的。我尝试将model.clusterCenters 转换为DF 到transform()，但我不知道如何将Array[org.apache.spark.ml.linalg.Vector] 转换为org.apache.spark.sql.Dataset[_]

【参考方案1】：

保存数据后，它将写入 cluster_id 和 Cluster_center。可以读取文件，可以看到想要的输出

    model.save(sc, "/user/hadoop/kmeanModel")
    val parq = sqlContext.read.parquet("/user/hadoop/kmeanModel/data/*")
    parq.collect.foreach(println)

【讨论】：

@BéatriceMoissinac，我们遇到了这个问题，查看了源代码并找到了它。