将 Spark 的 DataFrame 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

我收到这样的错误消息：

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

结果很好。

虽然在official version of Spark-2.2.0-SNAPSHOT中将row转换为Array[Double]时介绍了第一种方法，但没有成功。

谁能知道原因吗？

Answer 1

这两种方法的作用不同。在第一种情况下，您尝试使用单个 ArrayType 列来匹配 Row。由于您的输入包含三列，因此 MatchException 是预期结果。这仅在您将列收集为数组时才有效，例如

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]，这会为您提供一系列字段值。

将 Spark 的 DataFrame 转换为 RDD[Vector]

Convert Spark's DataFrame to RDD[Vector]

scala

apache-spark

apache-spark-sql

apache-spark-mllib