从 DataFrame 到 RDD[LabeledPoint]

Question

我正在尝试使用 Apache Spark MLlib 实现文档分类器，但在表示数据时遇到了一些问题。我的代码如下：

import org.apache.spark.sql.{Row, SQLContext}
import org.apache.spark.sql.types.{StringType, StructField, StructType}
import org.apache.spark.ml.feature.Tokenizer
import org.apache.spark.ml.feature.HashingTF
import org.apache.spark.ml.feature.IDF

val sql = new SQLContext(sc)

// Load raw data from a TSV file
val raw = sc.textFile("data.tsv").map(_.split("\t").toSeq)

// Convert the RDD to a dataframe
val schema = StructType(List(StructField("class", StringType), StructField("content", StringType)))
val dataframe = sql.createDataFrame(raw.map(row => Row(row(0), row(1))), schema)

// Tokenize
val tokenizer = new Tokenizer().setInputCol("content").setOutputCol("tokens")
val tokenized = tokenizer.transform(dataframe)

// TF-IDF
val htf = new HashingTF().setInputCol("tokens").setOutputCol("rawFeatures").setNumFeatures(500)
val tf = htf.transform(tokenized)
tf.cache
val idf = new IDF().setInputCol("rawFeatures").setOutputCol("features")
val idfModel = idf.fit(tf)
val tfidf = idfModel.transform(tf)

// Create labeled points
val labeled = tfidf.map(row => LabeledPoint(row.getDouble(0), row.get(4)))

我需要使用数据帧来生成标记并创建 TF-IDF 特征。当我尝试将此数据框转换为 RDD[LabeledPoint] 时出现问题。我映射了数据框行，但是 Row return 的 get 方法是 Any 类型，而不是数据框模式（向量）上定义的类型。因此，我无法构建训练 ML 模型所需的 RDD。

计算 TF-IDF 后获得 RDD[LabeledPoint] 的最佳选择是什么？

Answer 1

您需要使用getAs[T](i: Int): T

// Create labeled points
import org.apache.spark.mllib.linalg.{Vector, Vectors}
val labeled = tfidf.map(row => LabeledPoint(row.getDouble(0), row.getAs[Vector](4)))

Answer 2

铸造对象对我有用。

尝试：

// Create labeled points
val labeled = tfidf.map(row => LabeledPoint(row.getDouble(0), row(4).asInstanceOf[Vector]))

从 DataFrame 到 RDD[LabeledPoint]

From DataFrame to RDD[LabeledPoint]

scala

apache-spark

apache-spark-mllib