Pyspark Dataframes：创建要在 python 中的聚类中使用的特征列

Posted 2023-03-12

【中文标题】Pyspark Dataframes：创建要在 python 中的聚类中使用的特征列

【英文标题】：Pyspark Dataframes: Creating a features column to be used in the clustering in python

【发布时间】：2019-07-25 23:29:33

【问题描述】：

我正在尝试在 pyspark 中创建实施 k-means 聚类。我使用 mnist 作为我的数据集，它有数百个具有整数值的列。

创建数据框后，当我尝试创建要在聚类中使用的特征列时，我不知道要为VectorAssembler 提供什么作为inputCols 参数。下面是我的代码

sc = SparkContext('local')
spark = SparkSession(sc)

df = spark.read.csv('mnist_train.csv')
df.show()
df_feat = df.select(*(df[c].cast("float").alias(c) for c in df.columns[0:]))
df_feat.show()

vecAssembler = VectorAssembler(inputCols = ???????, outputCol = "features")

对于我正在使用的这个大整数值数据，我应该为inputCols 设置什么参数？

【参考方案1】：

Vectorassembler 需要列名列表来创建特征向量。因此，对于 mnist 数据集，您可以给他除标签之外的所有内容。例如：

#I assume that df_feat.columns[0] is the column which contains the labels
cols = df_feat.columns[1:]
vecAssembler = VectorAssembler(inputCols = cols, outputCol = "features")