将 Spark 的数据帧转换为 RDD[Vector]

Question

当我尝试使用以下代码将 Spark 的DataFrame转换为RDD[org.apache.spark.mllib.linalg.Vector]时：

import org.apache.spark.sql.Row
import org.apache.spark.mllib.linalg.Vectors
val df = sqlContext.createDataFrame(
  Seq((0.1, 0.2, 0.4))
).toDF("t1", "t2", "t3")
df.rdd.map{ case Row(row: Seq[_]) =>
  Vectors.dense(row.asInstanceOf[Seq[Double]].toArray)
}.collect

我收到如下错误消息：

scala.MatchError: [0.1,0.2,0.4] (of class org.apache.spark.sql.catalyst.expressions.GenericRowWithSchema)

然后我尝试了另一种方法：

df.content.rdd.map{ case row =>
  Vectors.dense(row.toSeq.toArray.map{
    x => x.asInstanceOf[Double]
  })
}.collect

效果很好。

虽然第一种方法是在Spark-2.2.0-SNAPSHOT的正式版本中引入的，当row转换为Array[Double]时，它不起作用。

谁能找出原因？

Answer 1

这两种

方法不执行相同的操作。在第一种情况下，您尝试与具有单个ArrayType列的Row进行匹配。由于输入包含三列，因此MatchException是预期的结果。例如，仅当您将列收集为数组时，这才可能有效

df.select(array(df.columns.map(col(_)): _*)).rdd.map { 
  case Row(xs: Seq[Double @unchecked]) => xs 
}

或

df.select(array(df.columns.map(col(_)): _*)).rdd.map(_.getSeq[Double](0))

在第二种情况下，您将行转换为Seq[Any]这为您提供了一系列字段值。