PySpark - ALS 输出中的 RDD 到 DataFrame

Posted 2023-04-15

【中文标题】PySpark - ALS 输出中的 RDD 到 DataFrame

【英文标题】：PySpark - RDD to DataFrame in ALS output

【发布时间】：2016-03-28 17:37:31

【问题描述】：

我正在使用 Spark 的推荐系统。

训练一个模型后，我做了下面的代码来获得推荐 model.recommendProductsForUsers(2)

[(10000, (Rating(user=10000, product=14780773, rating=7.35695469892999e-05), 
          Rating(user=10000, product=17229476, rating=5.648606256948921e-05))), 
 (0, (Rating(user=0, product=16750010, rating=0.04405213492474741), 
      Rating(user=0, product=17416511, rating=0.019491942665715176))), 
 (20000, (Rating(user=20000, product=17433348, rating=0.017938298063142653), 
          Rating(user=20000, product=17333969, rating=0.01505112418739887)))]

在这种情况下，Rec 是 RDD，见下文。

>>> type(Rec)
<class 'pyspark.rdd.RDD'>

我怎样才能把这些信息放在像这样的数据框中

 User | Product   | Rating 
1000  |  14780773 | 7.3e-05
1000  |  17229675 | 5.6e-05
(...)     (...)     (...) 
2000  |  17333969 | 0.015     

感谢您的宝贵时间

【问题讨论】：

必要的函数是covered in the PySpark docs。查找createDataFrame。

【参考方案1】：

为了验证，我使用以下 pyspark 代码重现了您的 RDD：

from pyspark.mllib.recommendation import Rating

Rec = sc.parallelize([(10000, (Rating(user=10000, product=14780773, rating=7.35695469892999e-05), 
                               Rating(user=10000, product=17229476, rating=5.648606256948921e-05))), 
                      (0, (Rating(user=0, product=16750010, rating=0.04405213492474741), 
                           Rating(user=0, product=17416511, rating=0.019491942665715176))), 
                      (20000, (Rating(user=20000, product=17433348, rating=0.017938298063142653), 
                               Rating(user=20000, product=17333969, rating=0.01505112418739887)))])

这个 RDD 由键值对组成，每个值都包含一个带有 Rating 元组的记录。您需要映射 RDD 以仅保留记录，然后将结果分解为每个推荐具有单独的元组。 flatMap(f) 函数将这两个步骤压缩成这样：

flatRec = Rec.flatMap(lambda p: p[1])

这会产生如下形式的 RDD：

[Rating(user=10000, product=14780773, rating=7.35695469892999e-05),
 Rating(user=10000, product=17229476, rating=5.648606256948921e-05),
 Rating(user=0, product=16750010, rating=0.04405213492474741),
 Rating(user=0, product=17416511, rating=0.019491942665715176),
 Rating(user=20000, product=17433348, rating=0.017938298063142653),
 Rating(user=20000, product=17333969, rating=0.01505112418739887)]

现在只需使用createDataFrame 函数将其转换为DataFrame。每个 Rating tuple 都会被转换成一个 DataFrame Row，并且由于这些项目被标记，你不需要指定一个 schema。

recDF = sqlContext.createDataFrame(flatRec).show()

这将输出以下内容：

+-----+--------+--------------------+
| user| product|              rating|
+-----+--------+--------------------+
|10000|14780773| 7.35695469892999E-5|
|10000|17229476|5.648606256948921E-5|
|    0|16750010| 0.04405213492474741|
|    0|17416511|0.019491942665715176|
|20000|17433348|0.017938298063142653|
|20000|17333969| 0.01505112418739887|
+-----+--------+--------------------+