每行加入两个不同的 RDDs 在一个 - Scala

Question

我正在 Spark-Scala 中编写 K-means 算法。我的模型预测每个点在哪个簇中。

数据

-6.59 -44.68
-35.73 39.93
47.54 -52.04
23.78 46.82
....

加载数据

val data = sc.textFile("/home/borja/flink/kmeans/points")
val parsedData = data.map(s => Vectors.dense(s.split(' ').map(_.toDouble))).cache()

使用 KMeans

将数据聚类为两个类

val numClusters = 10
val numIterations = 100
val clusters = KMeans.train(parsedData, numClusters, numIterations)

预测

val prediction = clusters.predict(parsedData)

但是，我需要将结果和点放在同一个文件中，格式如下：

[no title, numberOfCluster (1,2,3,..10), pointX, pointY]:
    6 -6.59 -44.68
    8 -35.73 39.93
    10 47.54 -52.04
    7 23.78 46.82

这是 Python 中 this executable 的条目，可以打印非常好的结果。

但我尽了最大努力得到了这个：（您可以检查第一个数字是否有误：68、384、...）

var i = 0
val c = sc.parallelize(data.collect().map(x => {
    val tuple = (i, x)
    i += 1
    tuple
}))
i = 0
val c2 = sc.parallelize(prediction.collect().map(x => {
    val tuple = (i, x)
    i += 1
    tuple
}))
val result = c.join(c2)

result.take(5)

结果：

res94: Array[(Int, (String, Int))] = Array((68,(17.79 13.69,0)), (384,(-33.47 -4.87,8)), (440,(-4.75 -42.21,1)), (4,(-33.31 -13.11,6)), (324,(-39.04 -16.68,6)))

感谢您的帮助！ :)

Answer 1

我没有方便测试的 spark 集群，但像这样的东西应该可以工作：

val result = parsedData.map { v =>
  val cluster = clusters.predict(v)
  s"$cluster ${v(0)} ${v(1)}"
}
result.saveAsTextFile("/some/output/path")

每行加入两个不同的 RDDs 在一个 - Scala

Join per line two different RDDs in just one - Scala

scala

k-means

apache-spark

apache-spark-mllib