代码之家 › 专栏 › 技术社区 › Decrayer

在Apache Spark数据集上应用flatMap操作时出现意外的编码器行为

apache-spark-dataset apache-spark java

Decrayer · 技术社区 · 6 年前

我正在尝试将实际上包含双值的csv字符串转换为与spark ml兼容的数据集。由于我事先不知道需要多少功能,我决定使用一个助手类“Instance”,它已经包含了分类器要使用的正确数据类型,并且在其他一些情况下已经按照预期工作:

public class Instance implements Serializable {
    /**
     * 
     */
    private static final long serialVersionUID = 6091606543088855593L;
    private Vector indexedFeatures;
    private double indexedLabel;
    ...getters and setters for both fields...
}

我得到意外行为的部分是:

    Encoder<Instance> encoder = Encoders.bean(Instance.class);
    System.out.println("encoder.schema()");
    encoder.schema().printTreeString();
    Dataset<Instance> dfInstance = df.select("value").as(Encoders.STRING())
              .flatMap(s -> {
                String[] splitted = s.split(",");

                int length = splitted.length;
                double[] features = new double[length-1];
                for (int i=0; i<length-1; i++) {
                    features[i] = Double.parseDouble(splitted[i]);
                }

                if (length < 2) {
                    return Collections.emptyIterator();
                } else {
                    return Collections.singleton(new Instance( 
                        Vectors.dense(features), 
                        Double.parseDouble(splitted[length-1])
                        )).iterator();
                }
              }, encoder);

    System.out.println("dfInstance");
    dfInstance.printSchema();
    dfInstance.show(5);

我在控制台上得到以下输出:

encoder.schema()
root
 |-- indexedFeatures: vector (nullable = true)
 |-- indexedLabel: double (nullable = false)

dfInstance
root
 |-- indexedFeatures: struct (nullable = true)
 |-- indexedLabel: double (nullable = true)

+---------------+------------+
|indexedFeatures|indexedLabel|
+---------------+------------+
|             []|         0.0|
|             []|         0.0|
|             []|         1.0|
|             []|         0.0|
|             []|         1.0|
+---------------+------------+
only showing top 5 rows

编码器架构将indexedFeatures行数据类型正确显示为向量。但是,当我应用编码器并进行转换时,它将给我一行类型为struct的数据,其中不包含真实的对象。

我想理解,为什么Spark为我提供了结构类型而不是正确的向量类型。

1 回复 | 直到 6 年前

werner 6 年前

实际上,我的答案并不能解释为什么会得到结构类型。但基于 previous question ,我可能可以提供一个解决方法。

原始输入使用 DataFrameReader's csv function ,然后再次 VectorAssembler 使用时间:

Dataset<Row> csv = spark.read().option("inferSchema", "true")
  .csv(inputDf.select("value").as(Encoders.STRING()));
String[] fieldNames = csv.schema().fieldNames();    
VectorAssembler assembler = new VectorAssembler().setInputCols(
  Arrays.copyOfRange(fieldNames, 0, fieldNames.length-1))
  .setOutputCol("indexedFeatures");
Dataset<Row> result = assembler.transform(csv)
  .withColumn("indexedLabel", functions.col(fieldNames[fieldNames.length-1]))
  .select("indexedFeatures", "indexedLabel");