scala - org - pyspark ml clustering

Adjuntar metadatos a la columna vectorial en Spark

Question

Contexto: tengo un marco de datos con dos columnas: etiqueta y características.

org.apache.spark.sql.DataFrame = [label: int, features: vector]

Donde características es un mllib.linalg.VectorUDT de tipo numérico creado con VectorAssembler.

Pregunta: ¿Hay alguna manera de asignar un esquema al vector de características? Quiero hacer un seguimiento del nombre de cada característica.

Intentado hasta ahora:

val defaultAttr = NumericAttribute.defaultAttr
val attrs = Array("feat1", "feat2", "feat3").map(defaultAttr.withName)
val attrGroup = new AttributeGroup("userFeatures", attrs.asInstanceOf[Array[Attribute]])

scala> attrGroup.toMetadata 
res197: org.apache.spark.sql.types.Metadata = {"ml_attr":{"attrs":{"numeric":[{"idx":0,"name":"f1"},{"idx":1,"name":"f2"},{"idx":2,"name":"f3"}]},"num_attrs":3}}

Pero no estaba seguro de cómo aplicar esto a un marco de datos existente.

Answer 1

Hay al menos dos opciones:

1. En DataFrame existente puede usar as método con argumento de metadata :

   import org.apache.spark.ml.attribute._
   
   val rdd = sc.parallelize(Seq(
     (1, Vectors.dense(1.0, 2.0, 3.0))
   ))
   val df = rdd.toDF("label", "features")
   
   df.withColumn("features", $"features".as("_", attrGroup.toMetadata))

2. Cuando crea un nuevo DataFrame convierte AttributeGroup toStructField y lo usa como un esquema para una columna determinada:

   import org.apache.spark.sql.types.{StructType, StructField, IntegerType}
   
   val schema = StructType(Array(
     StructField("label", IntegerType, false),
     attrGroup.toStructField()
   ))
   
   spark.createDataFrame(
     rdd.map(row => Row.fromSeq(row.productIterator.toSeq)),
     schema)

Si se ha creado VectorAssembler columna VectorAssembler utilizando la columna VectorAssembler , los metadatos que describen las columnas principales ya deben estar adjuntos.

import org.apache.spark.ml.feature.VectorAssembler

val raw = sc.parallelize(Seq(
  (1, 1.0, 2.0, 3.0)
)).toDF("id", "feat1", "feat2", "feat3")

val assembler = new VectorAssembler()
  .setInputCols(Array("feat1", "feat2", "feat3"))
  .setOutputCol("features")

val dfWithMeta = assembler.transform(raw).select($"id", $"features")
dfWithMeta.schema.fields(1).metadata

// org.apache.spark.sql.types.Metadata = {"ml_attr":{"attrs":{"numeric":[
//   {"idx":0,"name":"feat1"},{"idx":1,"name":"feat2"},
//   {"idx":2,"name":"feat3"}]},"num_attrs":3}

No se puede acceder directamente a los campos de vectores utilizando la sintaxis de punto (como $features.feat1 ) pero pueden ser utilizados por herramientas especializadas como VectorSlicer :

import org.apache.spark.ml.feature.VectorSlicer

val slicer = new VectorSlicer()
  .setInputCol("features")
  .setOutputCol("featuresSubset")
  .setNames(Array("feat1", "feat3"))

slicer.transform(dfWithMeta).show
// +---+-------------+--------------+
// | id|     features|featuresSubset|
// +---+-------------+--------------+
// |  1|[1.0,2.0,3.0]|     [1.0,3.0]|
// +---+-------------+--------------+

Para PySpark, consulte ¿Cómo puedo declarar una columna como una característica categórica en un DataFrame para su uso en ml