SparkML 向量:访问模型输出

Question

我正在尝试访问似乎被锁定在模型对象返回的向量中的值。我在这里和那里看到一些关于旧/新矢量类型的帖子，但这并没有帮助我弄清楚我错过了什么。

来自 CountVectorizer 模型的代码设置了问题。似乎与org.apache.spark.ml.linalg.VectorUDT有关，但我不确定。我被这个阻止到了有点尴尬的地步。

有人可以提供代码示例来显示如何解析features向量的 3 个元素中的每一个：词汇计数、术语 ID 列表、术语计数列表？

import org.apache.spark.ml.feature.{CountVectorizer, CountVectorizerModel}
sc.version
res1: String = 2.1.1
val df = spark.createDataFrame(Seq(
(0, Array("a", "b", "c")),
(1, Array("a", "b", "b", "c", "a"))
)).toDF("id", "words")
// fit a CountVectorizerModel from the corpus
val cvModel: CountVectorizerModel = (new CountVectorizer()
.setInputCol("words")
.setOutputCol("features")
.setVocabSize(3)
.setMinDF(2)
.fit(df)
)
// alternatively, define CountVectorizerModel with a-priori vocabulary
val cvm = (new CountVectorizerModel(Array("a", "b", "c"))
.setInputCol("words")
.setOutputCol("features")
)
val df_vectorized = cvModel.transform(df)
df_vectorized.show(false)
+---+---------------+-------------------------+
|id |words          |features                 |
+---+---------------+-------------------------+
|0  |[a, b, c]      |(3,[0,1,2],[1.0,1.0,1.0])|
|1  |[a, b, b, c, a]|(3,[0,1,2],[2.0,2.0,1.0])|
+---+---------------+-------------------------+

Answer 1

解决方案

我找到了一种访问此特定模型中数据的方法。

import org.apache.spark.ml.linalg.SparseVector
df_vectorized.select("features").rdd.map(_.getAs[SparseVector](0).size).take(2)
df_vectorized.select("features").rdd.map(_.getAs[SparseVector](0).indices).take(2)
df_vectorized.select("features").rdd.map(_.getAs[SparseVector](0).values).take(2)

我不知道这是否是实现如此简单的事情的最佳方式。

思潮

我宁愿做如下事情：

case class MyData(
id: Int,
words: Array[String],
features: (Int, Array[Int], Array[Double])
)
df_vectorized.as[MyData]

但是当我尝试这样做时，我收到以下错误：

java.lang.ClassCastException: org.apache.spark.ml.linalg.VectorUDT cannot be cast to org.apache.spark.sql.types.StructType

即使这样也不是很好，因为在这种情况下不会命名功能元组的元素。

无论如何，我认为这里的要点是您需要确定模型提出的数据类型，并希望它具有与之关联的访问方法。

即使识别数据类型也是运气。我碰巧尝试了以下方法：

df_vectorized.select("features").rdd.map(_.getAs[Seq[Any]](0).size).take(2)

并得到此错误：

java.lang.ClassCastException: org.apache.spark.ml.linalg.SparseVector cannot be cast to scala.collection.SeqLike

请注意，当我尝试创建数据集时，输出的类被称为VectorUDT，但现在当我使用 RDD API 时被称为SparseVector。

这就是我找到正确数据类型的方式。这真的很烦人，因为df_vectorized.schema的相关输出是org.apache.spark.ml.linalg.VectorUDT@3bfc3ba7。

对于另一个令人头疼的问题，VectorUDT的描述是：Vector的用户定义类型，允许通过org.apache.spark.sql.Dataset与SQL轻松交互。也许它确实允许"轻松"的互动。不过，我似乎想不通。