PySpark

Question

我正在使用 Spark 的推荐系统。

训练模型后，我做了下面的代码来获得推荐 model.recommendProductsForUsers(2)

[(10000, (Rating(user=10000, product=14780773, rating=7.35695469892999e-05), 
          Rating(user=10000, product=17229476, rating=5.648606256948921e-05))), 
 (0, (Rating(user=0, product=16750010, rating=0.04405213492474741), 
      Rating(user=0, product=17416511, rating=0.019491942665715176))), 
 (20000, (Rating(user=20000, product=17433348, rating=0.017938298063142653), 
          Rating(user=20000, product=17333969, rating=0.01505112418739887)))]

在这种情况下 Rec 是 RDD 见下文。

>>> type(Rec)
<class 'pyspark.rdd.RDD'>

如何将此信息放入数据框中，例如

 User | Product   | Rating 
1000  |  14780773 | 7.3e-05
1000  |  17229675 | 5.6e-05
(...)     (...)     (...) 
2000  |  17333969 | 0.015

谢谢你的时间

Answer 1

为了验证，我使用了以下 pyspark 代码来重现您的 RDD：

from pyspark.mllib.recommendation import Rating

Rec = sc.parallelize([(10000, (Rating(user=10000, product=14780773, rating=7.35695469892999e-05), 
                               Rating(user=10000, product=17229476, rating=5.648606256948921e-05))), 
                      (0, (Rating(user=0, product=16750010, rating=0.04405213492474741), 
                           Rating(user=0, product=17416511, rating=0.019491942665715176))), 
                      (20000, (Rating(user=20000, product=17433348, rating=0.017938298063142653), 
                               Rating(user=20000, product=17333969, rating=0.01505112418739887)))])

这个RDD由键值对组成，每个值由一个带有Rating元组的记录组成。您需要映射 RDD 以仅保留记录，然后将结果分解为每个推荐都有单独的元组。 flatMap(f) 函数将像这样压缩这两个步骤：

flatRec = Rec.flatMap(lambda p: p[1])

这会导致 RDD 的形式为：

[Rating(user=10000, product=14780773, rating=7.35695469892999e-05),
 Rating(user=10000, product=17229476, rating=5.648606256948921e-05),
 Rating(user=0, product=16750010, rating=0.04405213492474741),
 Rating(user=0, product=17416511, rating=0.019491942665715176),
 Rating(user=20000, product=17433348, rating=0.017938298063142653),
 Rating(user=20000, product=17333969, rating=0.01505112418739887)]

现在只需使用 createDataFrame 函数将其转换为 DataFrame。每个 Rating 元组将变成一个 DataFrame 行，并且由于项目已标记，因此您无需指定架构。

recDF = sqlContext.createDataFrame(flatRec).show()

这将输出以下内容：

+-----+--------+--------------------+
| user| product|              rating|
+-----+--------+--------------------+
|10000|14780773| 7.35695469892999E-5|
|10000|17229476|5.648606256948921E-5|
|    0|16750010| 0.04405213492474741|
|    0|17416511|0.019491942665715176|
|20000|17433348|0.017938298063142653|
|20000|17333969| 0.01505112418739887|
+-----+--------+--------------------+

PySpark - ALS 输出中的 RDD 到 DataFrame

PySpark - RDD to DataFrame in ALS output

apache-spark

rdd

apache-spark-mllib

pyspark-sql