scala – 如何将列转换为矢量类型？

我在Spark中有一个RDD,其中的对象基于案例类：

ExampleCaseClass(user: User,stuff: Stuff)

我想使用Spark的ML管道,所以我将其转换为Spark数据帧.作为管道的一部分,我想将其中一列转换为条目为向量的列.由于我希望该向量的长度随模型而变化,因此它应作为特征转换的一部分构建到管道中.

所以我试图按如下方式定义一个Transformer：

class MyTransformer extends Transformer {

  val uid = ""
  val num: IntParam = new IntParam(this,"","")

  def setNum(value: Int): this.type = set(num,value)
  setDefault(num -> 50)

  def transform(df: DataFrame): DataFrame = {
    ...
  }

  def transformSchema(schema: StructType): StructType = {
    val inputFields = schema.fields
    StructType(inputFields :+ StructField("colName",???,true))
  }

  def copy (extra: ParamMap): Transformer = defaultCopy(extra)

}

如何指定结果字段的DataType(即填写???)？它将是一个简单类的Vector(Boolean,Int,Double等).似乎VectorUDT可能有效,但这对Spark是私有的.由于任何RDD都可以转换为DataFrame,因此任何案例类都可以转换为自定义DataType.但是我无法弄清楚如何手动执行此转换,否则我可以将它应用于包装矢量的一些简单的case类.

此外,如果我为列指定矢量类型,当我适应模型时,VectorAssembler会将矢量正确地处理成单独的特征吗？

对Spark而言还是新手,尤其是ML Pipeline,所以感谢任何建议.

解决方法

import org.apache.spark.ml.linalg.sqlDataTypes.VectorType  
def transformSchema(schema: StructType): StructType = {
  val inputFields = schema.fields
  StructType(inputFields :+ StructField("colName",VectorType,true))
}

在Spark 2.1中,VectorType使VectorUDT公开可用：

package org.apache.spark.ml.linalg

import org.apache.spark.annotation.{DeveloperApi,Since}
import org.apache.spark.sql.types.DataType

/**
 * :: DeveloperApi ::
 * sql data types for vectors and matrices.
 */
@Since("2.0.0")
@DeveloperApi
object sqlDataTypes {

  /** Data type for [[Vector]]. */
  val VectorType: DataType = new VectorUDT

  /** Data type for [[Matrix]]. */
  val MatrixType: DataType = new MatrixUDT
}

scala – 如何将列转换为矢量类型？

解决方法

猜你在找的Scala相关文章