如何从两个列表创建 PySpark 数据框？

Question

我正在研究 Databricks，并希望使用 Python 在 Spark 中使用 MLlib 包。当我以前使用 Scikit-learn 时，我会有一个特征列表，以及另一个特征标签列表。我会简单地使用决策树分类器和预测来适应它。

查看文档，我对如何在 PySpark 上做类似的事情有点迷茫：https://docs.databricks.com/spark/latest/mllib/binary-classification-mllib-pipelines.html

我相信为了使用 MLlib，我需要从数据框中提取列以用作特征和标签。所以在这样做的时候，我想知道如何创建一个新的空数据框，然后向其添加两列，一列是特征列表，另一列是标签列表。

我的特征列表（例如：[2、0、0、1]）称为 'ml_list'，我的标签列表（例如：[1] 或 [0]）称为 'labels'.

到目前为止，这是我的代码，不确定我是否走在正确的道路上。我的特征和标签都是二进制的，所以我选择了 IntegerType():

field = [StructField(“ml_list”,IntegerType(), 
True),StructField(“Labels”, IntegerType(), True)]

schema = StructType(field)
df_date = sqlContext.createDataFrame(sc.emptyRDD(), schema)

任何帮助都会很棒，因为我对 Spark 还很陌生。

Answer 1

如果你有：

labels = [[0], [1], [0]]

和

features = [[2, 0, 0, 1], [0, 0, 0, 1], [0, 2, 0, 1]]

您可以：

from pyspark.ml.linalg import Vectors

sc.parallelize(zip(labels, features)).map(lambda lp: (float(lp[0][0]), Vectors.dense(lp[1]))).toDF(["label", "features"])

Answer 2

或者：

from pyspark.ml.linalg import Vectors

dd = [(labels[i][0], Vectors.dense(features[i])) for i in range(len(labels))]
df = spark.createDataFrame(sc.parallelize(dd),schema=["label", "features"])

如何从两个列表创建 PySpark 数据框？

How to create a PySpark dataframe from two lists?

apache-spark

apache-spark-sql

pyspark

pyspark-sql