如何在pyspark中读取和写入坐标矩阵到文件

Posted 2023-04-17

【中文标题】如何在pyspark中读取和写入坐标矩阵到文件

【英文标题】：How to read and write coordinateMatrix to a file in pyspark

【发布时间】：2018-05-17 07:08:56

【问题描述】：

我在 pyspark 中有一个非常稀疏的数据框，我将这个数据框转换为 CoordinatedMatrix。现在我想将这个矩阵保存在 hdfs 上，以便以后重用它来训练我的模型。不幸的是，我没有找到任何解决方案。有什么建议吗？

示例：

>> mat.entries.collect()
[MatrixEntry(1, 0, 1.0), MatrixEntry(1, 1, 1.0), MatrixEntry(1, 2, 2.0),MatrixEntry(1, 3, 1.0), MatrixEntry(2, 0, 2.0), MatrixEntry(2, 1, 1.0), MatrixEntry(2, 2, 3.0), MatrixEntry(2, 3, 5.0)]

【参考方案1】：

这里没有推荐的格式，CoordinateMatrix 的结构非常简单，所以你可以选择几乎任何东西，例如 Parquet：

mat.entries.toDF().write.parquet(path) 

后来阅读：

CoordinateMatrix(spark.read.parquet(path).rdd.map(lambda row: MatrixEntry(*row)))