如何在Java Spark中读取文本文件并将其转换为数据集

Question

我想在两个文本文件中读取数据，并在我的Java Spark项目中对数据运行一些机器学习分类

设fileZero和fileOne为两个文件，包含如下格式的数据

>fileZero
10 1 
9.8 1.2 
10.1 0.9
....

另一个文件

>fileOne
0.1 40 
0.2 38 
0 50
...

对于fileZero和fileOne，每行包含一个以空格分隔的(x,y)元组，分别标记为0和1。换句话说，fileZero中的所有行都应该标记为0,fileOne为1。

我想在两个文件中读取，并考虑使用对象Dataset。如何在两个文件中读取，以后我可以在数据上运行分类/逻辑回归?

Answer 1

您可以定义pojo对象并将文件读入object.

MyObject

public class MyObject {
private double x;
private double y;
private double label;
//Getters and setters
...
}

你可以像这样读取和转换文件到数据集:

JavaRDD<MyObject> cRDD = spark.read().textFile("C:/Temp/File0.csv").javaRDD()
                       .map(new Function<String, MyObject>() {
                              @Override
                              public MyObject call(String line) throws Exception {
                                     String[] parts = line.split(" ");
                                     MyObject c = new MyObject();
                                     c.setX(parts[0].trim());
                                     c.setY(parts[1].trim());                                   
                                     c.setLabel(0);
                                     return c;
                              }
                       });

          Dataset<Row> mainDataset = spark.createDataFrame(cRDD, MyObject.class);   

然后你可以使用分类方法…