如何将行类型转换为矢量以馈送到 KMeans

Question

当我尝试将 df2 馈送到 kmeans 时，出现以下错误

clusters = KMeans.train(df2, 10, maxIterations=30,
                        runs=10, initializationMode="random")

我得到的错误：

Cannot convert type <class 'pyspark.sql.types.Row'> into Vector

DF2 是按如下方式创建的数据帧：

df = sqlContext.read.json("data/ALS3.json")
df2 = df.select('latitude','longitude')
df2.show()

     latitude|       longitude|
   60.1643075|      24.9460844|
   60.4686748|      22.2774728|

如何将这两列转换为矢量并将其提供给 KMeans？

Answer 1

ML

问题是你错过了文档的示例，很明显，该方法train需要一个带有Vector作为功能的DataFrame。

要修改当前数据的结构，您可以使用矢量汇编器。在您的情况下，它可能是这样的：

from pyspark.sql.functions import *
vectorAssembler = VectorAssembler(inputCols=["latitude", "longitude"],
                                  outputCol="features")
# For your special case that has string instead of doubles you should cast them first.
expr = [col(c).cast("Double").alias(c) 
        for c in vectorAssembler.getInputCols()]
df2 = df2.select(*expr)
df = vectorAssembler.transform(df2)

此外，您还应该使用类 MinMaxScaler 规范化您的features以获得更好的结果。

MLLib

为了使用MLLib实现这一点，您需要首先使用map函数，将所有string值转换为Double，并将它们合并到DenseVector中。

rdd = df2.map(lambda data: Vectors.dense([float(c) for c in data]))

在此之后，您可以使用 rdd 变量训练 MLlib 的 KMeans模型。

Answer 2

我让 PySpark 2.3.1 在数据帧上执行 KMeans，如下所示：

1. 编写要包含在聚类分析中的列的列表：

feat_cols = ['latitude','longitude']`

2. 您需要所有列都是数值：

expr = [col(c).cast("Double").alias(c) for c in feat_cols]
df2 = df2.select(*expr)

3. 使用 mllib.linalg.Vectors 创建您的特征向量：

from pyspark.ml.feature import VectorAssembler
assembler = VectorAssembler(inputCols=feat_cols, outputCol="features")
df3 = assembler.transform(df2).select('features')

您应该规范化
4. 您的功能，因为规范化并不总是必需的，但它很少受到伤害（更多关于这里）：

from pyspark.ml.feature import StandardScaler
scaler = StandardScaler(
    inputCol="features",
    outputCol="scaledFeatures",
    withStd=True,
    withMean=False)
scalerModel = scaler.fit(df3)
df4 = scalerModel.transform(df3).drop('features')
                     .withColumnRenamed('scaledFeatures', 'features')

5. 将数据帧对象df4转换为密集的矢量 RDD：

from pyspark.mllib.linalg import Vectors
data5 = df4.rdd.map(lambda row: Vectors.dense([x for x in row['features']]))

6. 使用获取的RDD对象作为KMeans训练的输入：

from pyspark.mllib.clustering import KMeans
model = KMeans.train(data5, k=3, maxIterations=10)

7. 示例：对向量空间中的点 p 进行分类：

prediction = model.predict(p)