使用 Spark ML 时 VectorUDT 出现问题

Question

我正在编写一个 UDAF 以应用于 Vector 类型的 Spark 数据框列 (spark.ml.linalg.Vector)。我依赖 spark.ml.linalg 包，这样我就不必在数据帧和 RDD 之间来回切换。

在 UDAF 内部，我必须为输入、缓冲区和输出模式指定数据类型：

def inputSchema = new StructType().add("features", new VectorUDT())
def bufferSchema: StructType =
    StructType(StructField("list_of_similarities", ArrayType(new VectorUDT(), true), true) :: Nil)

override def dataType: DataType = ArrayType(DoubleType,true)

VectorUDT 是我将与 spark.mllib.linalg.Vector 一起使用的： https://github.com/apache/spark/blob/master/mllib/src/main/scala/org/apache/spark/mllib/linalg/Vectors.scala

但是，当我尝试从 spark.ml 导入它时：import org.apache.spark.ml.linalg.VectorUDT 我收到运行时错误（构建期间没有错误）：

class VectorUDT in package linalg cannot be accessed in package org.apache.spark.ml.linalg

expected/can 您是否提出了解决方法？

我正在使用 Spark 2.0.0

Answer 1

在 Spark 2.0.0 中，正确的做法是使用 org.apache.spark.ml.linalg.SQLDataTypes.VectorType 而不是 VectorUDT。它是在 this issue.

中引入的

使用 Spark ML 时 VectorUDT 出现问题

Issue with VectorUDT when using Spark ML

scala

apache-spark

spark-dataframe

apache-spark-ml