合并 Spark DataFrame 中的多列 [Java]

Posted

技术标签:

【中文标题】合并 Spark DataFrame 中的多列 [Java]【英文标题】:Merge multiple columns in a Spark DataFrame [Java] 【发布时间】:2016-06-09 13:02:16 【问题描述】:

如何将 DataFrame 中的多列(例如 3 列)组合成单列(在新 DataFrame 中),其中每一行都成为 Spark DenseVector?与thread 类似,但在 Java 中并进行了以下提到的一些调整。

我尝试使用这样的 UDF:

private UDF3<Double, Double, Double, Row> toColumn = new UDF3<Double, Double, Double, Row>() 

    private static final long serialVersionUID = 1L;

    public Row call(Double first, Double second, Double third) throws Exception            
        Row row = RowFactory.create(Vectors.dense(first, second, third));

        return row; 
    
;

然后注册UDF:

sqlContext.udf().register("toColumn", toColumn, dataType);

dataType 在哪里:

StructType dataType = DataTypes.createStructType(new StructField[]
    new StructField("bla", new VectorUDT(), false, Metadata.empty()),
    );

当我在具有 3 列的 DataFrame 上调用此 UDF 并打印出新 DataFrame 的架构时,我得到了:

root |-- features: struct (nullable = true) | |-- bla: vector (nullable = false)

这里的问题是我需要一个向量在外部,而不是在结构内。 像这样的:

root
 |-- features: vector (nullable = true)

我不知道如何得到这个,因为 register 函数要求 UDF 的返回类型为 DataType(反过来,它不提供 VectorType)

【问题讨论】:

【参考方案1】:

您实际上是使用此数据类型手动将向量类型嵌套到结构中:

new StructField("bla", new VectorUDT(), false, Metadata.empty()),

如果你去掉外部的 StructField,你会得到你想要的。当然,在这种情况下,您需要稍微修改一下函数定义的签名。即需要返回 Vector 类型。

请参阅下面的具体示例,以简单的 JUnit 测试的形式说明我的意思。

package sample.spark.test;

import org.apache.spark.api.java.JavaSparkContext;
import org.apache.spark.mllib.linalg.Vector;
import org.apache.spark.mllib.linalg.VectorUDT;
import org.apache.spark.mllib.linalg.Vectors;
import org.apache.spark.sql.DataFrame;
import org.apache.spark.sql.RowFactory;
import org.apache.spark.sql.SQLContext;
import org.apache.spark.sql.api.java.UDF3;
import org.apache.spark.sql.types.DataTypes;
import org.apache.spark.sql.types.Metadata;
import org.apache.spark.sql.types.StructField;
import org.junit.Test;

import java.io.Serializable;
import java.util.Arrays;
import java.util.HashSet;
import java.util.Set;

import static org.junit.Assert.assertEquals;
import static org.junit.Assert.assertTrue;

public class ToVectorTest implements Serializable 
  private static final long serialVersionUID = 2L;

  private UDF3<Double, Double, Double, Vector> toColumn = new UDF3<Double, Double, Double, Vector>() 

    private static final long serialVersionUID = 1L;

    public Vector call(Double first, Double second, Double third) throws Exception 
      return Vectors.dense(first, second, third);
    
  ;

  @Test
  public void testUDF() 
    // context
    final JavaSparkContext sc = new JavaSparkContext("local", "ToVectorTest");
    final SQLContext sqlContext = new SQLContext(sc);

    // test input
    final DataFrame input = sqlContext.createDataFrame(
        sc.parallelize(
            Arrays.asList(
                RowFactory.create(1.0, 2.0, 3.0),
                RowFactory.create(4.0, 5.0, 6.0),
                RowFactory.create(7.0, 8.0, 9.0),
                RowFactory.create(10.0, 11.0, 12.0)
            )),
        DataTypes.createStructType(
            Arrays.asList(
                new StructField("feature1", DataTypes.DoubleType, false, Metadata.empty()),
                new StructField("feature2", DataTypes.DoubleType, false, Metadata.empty()),
                new StructField("feature3", DataTypes.DoubleType, false, Metadata.empty())
            )
        )
    );
    input.registerTempTable("input");

    // expected output
    final Set<Vector> expectedOutput = new HashSet<>(Arrays.asList(
        Vectors.dense(1.0, 2.0, 3.0),
        Vectors.dense(4.0, 5.0, 6.0),
        Vectors.dense(7.0, 8.0, 9.0),
        Vectors.dense(10.0, 11.0, 12.0)
    ));

    // processing
    sqlContext.udf().register("toColumn", toColumn, new VectorUDT());
    final DataFrame outputDF = sqlContext.sql("SELECT toColumn(feature1, feature2, feature3) AS x FROM input");
    final Set<Vector> output = new HashSet<>(outputDF.toJavaRDD().map(r -> r.<Vector>getAs("x")).collect());

    // evaluation
    assertEquals(expectedOutput.size(), output.size());
    for (Vector x : output) 
      assertTrue(expectedOutput.contains(x));
    

    // show the schema and the content
    System.out.println(outputDF.schema());
    outputDF.show();

    sc.stop();
  

【讨论】:

这正是我所需要的。不知何故,我设法不考虑从 UDF 返回 Vector 并使用 VectorUDT 注册函数。谢谢罗伯特!

以上是关于合并 Spark DataFrame 中的多列 [Java]的主要内容,如果未能解决你的问题,请参考以下文章

Spark dataframe 中某几列合并成vector或拆分

Spark dataframe 中某几列合并成vector或拆分

从 Spark DataFrame 中的单列派生多列

使用 Spark DataFrame 中的多列更改行的值

使用多列作为存储在 Apache Spark 中的数组中的键来连接两个 Dataframe

将 Spark Dataframe 字符串列拆分为多列