使用 Scala 将 org.apache.spark.mllib.linalg.Vector RDD 转换为 Spark 中的 DataFrame

Question

我有一个 org.apache.spark.mllib.linalg.Vector RDD [Int Int Int] 。我正在尝试使用此代码将其转换为数据框

import sqlContext.implicits._
import org.apache.spark.sql.types.StructType
import org.apache.spark.sql.types.StructField
import org.apache.spark.sql.types.DataTypes
import org.apache.spark.sql.types.ArrayData

vectrdd 属于 org.apache.spark.mllib.linalg.Vector

类型

val vectarr = vectrdd.toArray()
case class RFM(Recency: Integer, Frequency: Integer, Monetary: Integer)
val df = vectarr.map { case Array(p0, p1, p2) => RFM(p0, p1, p2) }.toDF()

我收到以下错误

warning: fruitless type test: a value of type         
org.apache.spark.mllib.linalg.Vector cannot also be a Array[T]
val df = vectarr.map { case Array(p0, p1, p2) => RFM(p0, p1, p2) }.toDF()

error: pattern type is incompatible with expected type;
found   : Array[T]
required: org.apache.spark.mllib.linalg.Vector
val df = vectarr.map { case Array(p0, p1, p2) => RFM(p0, p1, p2) }.toDF()

我尝试的第二种方法是这个

val vectarr=vectrdd.toArray().take(2)
case class RFM(Recency: String, Frequency: String, Monetary: String)
val df = vectrdd.map { case (t0, t1, t2) => RFM(p0, p1, p2) }.toDF()

我遇到了这个错误

error: constructor cannot be instantiated to expected type;
found   : (T1, T2, T3)
required: org.apache.spark.mllib.linalg.Vector
val df = vectrdd.map { case (t0, t1, t2) => RFM(p0, p1, p2) }.toDF()

我用这个例子作为指导>>

Answer 1

vectarr的类型是Array[org.apache.spark.mllib.linalg.Vector]，所以在模式匹配中不能匹配Array(p0, p1, p2)，因为匹配的是Vector，不是Array。

此外，您不应该执行 val vectarr = vectrdd.toArray() - 这会将 RDD 转换为数组，然后对 toDF 的最终调用将不起作用，因为 toDF 仅适用于 RDD。

正确的行是（假设您将 RFM 更改为双打）

val df = vectrdd.map(_.toArray).map { case Array(p0, p1, p2) => RFM(p0, p1, p2)}.toDF()

或者，等效地，将 val vectarr = vectrdd.toArray()（产生 Array[Vector]）替换为 val arrayRDD = vectrdd.map(_.toArray())（产生 RDD[Array[Double]]）

使用 Scala 将 org.apache.spark.mllib.linalg.Vector RDD 转换为 Spark 中的 DataFrame

Convert an org.apache.spark.mllib.linalg.Vector RDD to a DataFrame in Spark using Scala

scala

apache-spark

rdd