如何阅读要在pyspark MLlib中使用的csv?

Question

我有一个csv文件，我试图将其用作pyspark中KMeans算法的输入。我正在使用 MLlib 文档中的代码。

from pyspark.ml.clustering import KMeans
from pyspark.ml.evaluation import ClusteringEvaluator
# Loads data.
dataset = spark.read.format("libsvm").load("P.txt")
# Trains a k-means model.
kmeans = KMeans().setK(2).setSeed(1)
model = kmeans.fit(dataset)
# Make predictions
predictions = model.transform(dataset)
# Evaluate clustering by computing Silhouette score
evaluator = ClusteringEvaluator()
silhouette = evaluator.evaluate(predictions)
print("Silhouette with squared euclidean distance = " + str(silhouette))
# Shows the result.
centers = model.clusterCenters()
print("Cluster Centers: ")
for center in centers:
print(center) 

我收到错误：

java.lang.NumberFormatException: For input string: "-6.71,-1.14"

我试图将文件读取为

dataset = spark.read.format("csv").load("P.txt")

但是我收到另一个错误：

java.lang.IllegalArgumentException: Field "features" does not exist. Available fields: _c0, _c1

我是pyspark的初学者，我试图寻找这方面的教程，但我没有找到任何教程。

Answer 1

我发现了问题。kmeans.fit的数据帧输入需要有一个字段"功能"，正如错误java.lang.IllegalArgumentException: Field "features" does not exist. Available fields: _c0, _c1所指示的那样。

为此，我们需要一个VectorAssembler，但在我们需要将列转换为数字类型之前，否则我们会收到错误java.lang.IllegalArgumentException: Data type string of column _c0 is not supported.

from pyspark.sql.functions import col
df = spark.read.csv('P.txt')
# Convert columns to float
df = df.select(*(col(c).cast("float").alias(c) for c in df.columns))
assembler = VectorAssembler(
inputCols=["_c0", "_c1"],
outputCol="features")
df = assembler.transform(df)
df = df.drop("_c0")
df = df.drop("_c1")
df.show()

Answer 2

检查 读取 CSV 文件的方法：

df = spark.read.options(header=True).csv('csvFile.csv')
df.show()

Answer 3

Available fields: _c0, _c1

检查数据文件的第一行。很有可能，您在创建时将参数保存到 hdfs 时没有使用headers=True参数。