在 Apache Spark 数据集<Row>上应用 flatMap 操作时出现意外的编码器行为

Question

我正在尝试将实际包含双精度值的csv字符串转换为与spark-ml兼容的数据集。由于我事先不知道预期的功能数量，我决定使用一个辅助类"Instance"，它已经包含分类器要使用的正确数据类型，并且在其他一些情况下已经按预期工作：

public class Instance implements Serializable {
    /**
     * 
     */
    private static final long serialVersionUID = 6091606543088855593L;
    private Vector indexedFeatures;
    private double indexedLabel;
    ...getters and setters for both fields...
}

我得到意外行为的部分是这个：

    Encoder<Instance> encoder = Encoders.bean(Instance.class);
    System.out.println("encoder.schema()");
    encoder.schema().printTreeString();
    Dataset<Instance> dfInstance = df.select("value").as(Encoders.STRING())
              .flatMap(s -> {
                String[] splitted = s.split(",");
                int length = splitted.length;
                double[] features = new double[length-1];
                for (int i=0; i<length-1; i++) {
                    features[i] = Double.parseDouble(splitted[i]);
                }
                if (length < 2) {
                    return Collections.emptyIterator();
                } else {
                    return Collections.singleton(new Instance( 
                        Vectors.dense(features), 
                        Double.parseDouble(splitted[length-1])
                        )).iterator();
                }
              }, encoder);
    System.out.println("dfInstance");
    dfInstance.printSchema();
    dfInstance.show(5);

我在控制台上得到以下输出：

encoder.schema()
root
 |-- indexedFeatures: vector (nullable = true)
 |-- indexedLabel: double (nullable = false)
dfInstance
root
 |-- indexedFeatures: struct (nullable = true)
 |-- indexedLabel: double (nullable = true)
+---------------+------------+
|indexedFeatures|indexedLabel|
+---------------+------------+
|             []|         0.0|
|             []|         0.0|
|             []|         1.0|
|             []|         0.0|
|             []|         1.0|
+---------------+------------+
only showing top 5 rows

编码器架构正确地将索引特征行数据类型显示为向量。但是当我应用编码器并进行转换时，它会给我一行结构类型，不包含任何真实对象。

我想了解为什么 Spark 为我提供结构类型而不是正确的矢量类型。

Answer 1

实际上，我的答案并不是解释为什么你会得到一个结构类型。但是基于上一个问题，我可能会提供一种解决方法。

原始输入使用 DataFrameReader 的 csv 函数解析，再次使用 VectorAssembler：

Dataset<Row> csv = spark.read().option("inferSchema", "true")
  .csv(inputDf.select("value").as(Encoders.STRING()));
String[] fieldNames = csv.schema().fieldNames();    
VectorAssembler assembler = new VectorAssembler().setInputCols(
  Arrays.copyOfRange(fieldNames, 0, fieldNames.length-1))
  .setOutputCol("indexedFeatures");
Dataset<Row> result = assembler.transform(csv)
  .withColumn("indexedLabel", functions.col(fieldNames[fieldNames.length-1]))
  .select("indexedFeatures", "indexedLabel");