如何将数组（即列表）列转换为 Vector

Question

问题的简短版本！

考虑以下代码片段（假设 spark 已经设置为一些 SparkSession）：

from pyspark.sql import Row
source_data = [
    Row(city="Chicago", temperatures=[-1.0, -2.0, -3.0]),
    Row(city="New York", temperatures=[-7.0, -7.0, -5.0]), 
]
df = spark.createDataFrame(source_data)

请注意温度字段是一个浮点数列表。我想将这些浮点数列表转换为 MLlib 类型 Vector，并且我希望使用基本的 DataFrame API 来表达这种转换，而不是通过 RDD（这是效率低下，因为它将所有数据从 JVM 发送到 Python，处理在 Python 中完成，我们没有得到 Spark 的 Catalyst 优化器 yada yada 的好处）。我该怎么做呢？具体来说：

有没有办法让直接转换工作？请参阅下面的详细信息（以及解决方法的失败尝试）？或者，是否还有其他操作具有我所追求的效果？
我在下面建议的两个替代解决方案中哪个更有效（UDF 与 exploding/reassembling 列表中的项目）？或者是否有任何其他比它们更好的几乎但不是完全正确的替代方案？

直接施法不行

这就是我期望的 "proper" 解决方案。我想将列的类型从一种类型转换为另一种类型，所以我应该使用强制转换。作为一点上下文，让我提醒您将其转换为另一种类型的正常方法：

from pyspark.sql import types
df_with_strings = df.select(
    df["city"], 
    df["temperatures"].cast(types.ArrayType(types.StringType()))),
)

现在，例如df_with_strings.collect()[0]["temperatures"][1] 是 '-7.0'。但是如果我投射到一个 ml Vector 那么事情就不会那么顺利：

from pyspark.ml.linalg import VectorUDT
df_with_vectors = df.select(df["city"], df["temperatures"].cast(VectorUDT()))

这给出了一个错误：

pyspark.sql.utils.AnalysisException: "cannot resolve 'CAST(`temperatures` AS STRUCT<`type`: TINYINT, `size`: INT, `indices`: ARRAY<INT>, `values`: ARRAY<DOUBLE>>)' due to data type mismatch: cannot cast ArrayType(DoubleType,true) to org.apache.spark.ml.linalg.VectorUDT@3bfc3ba7;;
'Project [city#0, unresolvedalias(cast(temperatures#1 as vector), None)]
+- LogicalRDD [city#0, temperatures#1]
"

哎呀！有什么解决办法吗？

可能的替代方案

备选方案 1：使用 `VectorAssembler`

有一个 Transformer 似乎最适合这份工作：VectorAssembler。它需要一个或多个列并将它们连接成一个向量。不幸的是，它只需要 Vector 和 Float 列，而不是 Array 列，因此以下内容不起作用：

from pyspark.ml.feature import VectorAssembler
assembler = VectorAssembler(inputCols=["temperatures"], outputCol="temperature_vector")
df_fail = assembler.transform(df)

它给出了这个错误：

pyspark.sql.utils.IllegalArgumentException: 'Data type ArrayType(DoubleType,true) is not supported.'

我能想到的最好的解决方法是将列表分解为多列，然后使用 VectorAssembler 再次收集它们：

from pyspark.ml.feature import VectorAssembler
TEMPERATURE_COUNT = 3
assembler_exploded = VectorAssembler(
    inputCols=["temperatures[{}]".format(i) for i in range(TEMPERATURE_COUNT)], 
    outputCol="temperature_vector"
)
df_exploded = df.select(
    df["city"], 
    *[df["temperatures"][i] for i in range(TEMPERATURE_COUNT)]
)
converted_df = assembler_exploded.transform(df_exploded)
final_df = converted_df.select("city", "temperature_vector")

这似乎是最理想的，除了TEMPERATURE_COUNT超过100，有时超过1000。（另一个问题是，如果你不知道大小，代码会更复杂数组，尽管我的数据不是这种情况。）Spark 是否真的生成了一个包含那么多列的中间数据集，或者它只是认为这是一个中间步骤，单个项目暂时通过（或者确实如此）当它看到这些列的唯一用途是组装成一个向量时，完全优化这个离开步骤）？

备选方案 2：使用 UDF

一个更简单的替代方法是使用 UDF 进行转换。这让我可以在一行代码中非常直接地表达我想做什么，而不需要制作一个包含大量列的数据集。但是所有这些数据都必须在 Python 和 JVM 之间交换，并且每个单独的数字都必须由 Python 处理（众所周知，迭代单个数据项的速度很慢）。这是它的样子：

from pyspark.ml.linalg import Vectors, VectorUDT
from pyspark.sql.functions import udf
list_to_vector_udf = udf(lambda l: Vectors.dense(l), VectorUDT())
df_with_vectors = df.select(
    df["city"], 
    list_to_vector_udf(df["temperatures"]).alias("temperatures")
)

可忽略的评论

这个杂乱无章的问题的其余部分是我在寻找答案时想到的一些额外内容。大多数阅读本文的人可能会跳过它们。

不是解决方案：使用 `Vector` 开头

在这个简单的示例中，可以首先使用向量类型创建数据，但当然我的数据并不是我正在并行化的 Python 列表，而是正在读取来自数据源。但为了记录，这是看起来的样子：

from pyspark.ml.linalg import Vectors
from pyspark.sql import Row
source_data = [
    Row(city="Chicago", temperatures=Vectors.dense([-1.0, -2.0, -3.0])),
    Row(city="New York", temperatures=Vectors.dense([-7.0, -7.0, -5.0])),
]
df = spark.createDataFrame(source_data)

低效解决方案：使用`map()`

一种可能性是使用 RDD map() 方法将列表转换为 Vector。这类似于 UDF 的想法，除了它更糟糕，因为每行中的所有字段都会产生序列化等成本，而不仅仅是正在操作的字段。作为记录，解决方案如下所示：

df_with_vectors = df.rdd.map(lambda row: Row(
    city=row["city"], 
    temperatures=Vectors.dense(row["temperatures"])
)).toDF()

尝试变通方法失败

无奈之下，我注意到 Vector 在内部由一个具有四个字段的结构表示，但使用来自该类型结构的传统强制转换也不起作用。这是一个插图（我使用 udf 构建了结构，但 udf 不是重要部分）：

from pyspark.ml.linalg import Vectors, VectorUDT
from pyspark.sql.functions import udf
list_to_almost_vector_udf = udf(lambda l: (1, None, None, l), VectorUDT.sqlType())
df_almost_vector = df.select(
    df["city"], 
    list_to_almost_vector_udf(df["temperatures"]).alias("temperatures")
)
df_with_vectors = df_almost_vector.select(
    df_almost_vector["city"], 
    df_almost_vector["temperatures"].cast(VectorUDT())
)

这给出了错误：

pyspark.sql.utils.AnalysisException: "cannot resolve 'CAST(`temperatures` AS STRUCT<`type`: TINYINT, `size`: INT, `indices`: ARRAY<INT>, `values`: ARRAY<DOUBLE>>)' due to data type mismatch: cannot cast StructType(StructField(type,ByteType,false), StructField(size,IntegerType,true), StructField(indices,ArrayType(IntegerType,false),true), StructField(values,ArrayType(DoubleType,false),true)) to org.apache.spark.ml.linalg.VectorUDT@3bfc3ba7;;
'Project [city#0, unresolvedalias(cast(temperatures#5 as vector), None)]
+- Project [city#0, <lambda>(temperatures#1) AS temperatures#5]
+- LogicalRDD [city#0, temperatures#1]
"

Answer 1

就我个人而言，我会选择 Python UDF，不会为其他任何事情烦恼：

Vectors 不是本机 SQL 类型，因此会以某种方式产生性能开销。特别是这个过程需要两个步骤，其中数据首先是 , and then from row to internal representation using generic RowEncoder.
任何下游 ML Pipeline 都将比简单的转换昂贵得多。此外，它需要一个与上述相反的过程

但是如果你真的想要这里的其他选项，你是：

带有 Python 包装器的 Scala UDF：

按照项目网站上的说明安装 sbt。

创建具有以下结构的 Scala 包：

.
├── build.sbt
└── udfs.scala

编辑 build.sbt（调整以反映 Scala 和 Spark 版本）：

scalaVersion := "2.11.8"

libraryDependencies ++= Seq(
  "org.apache.spark" %% "spark-sql" % "2.4.4",
  "org.apache.spark" %% "spark-mllib" % "2.4.4"
)

编辑udfs.scala:

package com.example.spark.udfs

import org.apache.spark.sql.functions.udf
import org.apache.spark.ml.linalg.DenseVector

object udfs {
  val as_vector = udf((xs: Seq[Double]) => new DenseVector(xs.toArray))
}

包裹：

sbt package

并包含（或等同于 Scala 版本）：

$PROJECT_ROOT/target/scala-2.11/udfs_2.11-0.1-SNAPSHOT.jar

作为开始 shell/提交申请时 --driver-class-path 的参数。

在 PySpark 中定义一个包装器：

from pyspark.sql.column import _to_java_column, _to_seq, Column
from pyspark import SparkContext

def as_vector(col):
    sc = SparkContext.getOrCreate()
    f = sc._jvm.com.example.spark.udfs.udfs.as_vector()
    return Column(f.apply(_to_seq(sc, [col], _to_java_column)))

测试：

with_vec = df.withColumn("vector", as_vector("temperatures"))
with_vec.show()

+--------+------------------+----------------+
|    city|      temperatures|          vector|
+--------+------------------+----------------+
| Chicago|[-1.0, -2.0, -3.0]|[-1.0,-2.0,-3.0]|
|New York|[-7.0, -7.0, -5.0]|[-7.0,-7.0,-5.0]|
+--------+------------------+----------------+

with_vec.printSchema()

root
 |-- city: string (nullable = true)
 |-- temperatures: array (nullable = true)
 |    |-- element: double (containsNull = true)
 |-- vector: vector (nullable = true)

将数据转储为反映 DenseVector 模式的 JSON 格式并读回：

from pyspark.sql.functions import to_json, from_json, col, struct, lit
from pyspark.sql.types import StructType, StructField
from pyspark.ml.linalg import VectorUDT

json_vec = to_json(struct(struct(
    lit(1).alias("type"),  # type 1 is dense, type 0 is sparse
    col("temperatures").alias("values")
).alias("v")))

schema = StructType([StructField("v", VectorUDT())])

with_parsed_vector = df.withColumn(
    "parsed_vector", from_json(json_vec, schema).getItem("v")
)

with_parsed_vector.show()

+--------+------------------+----------------+
|    city|      temperatures|   parsed_vector|
+--------+------------------+----------------+
| Chicago|[-1.0, -2.0, -3.0]|[-1.0,-2.0,-3.0]|
|New York|[-7.0, -7.0, -5.0]|[-7.0,-7.0,-5.0]|
+--------+------------------+----------------+

with_parsed_vector.printSchema()

root
 |-- city: string (nullable = true)
 |-- temperatures: array (nullable = true)
 |    |-- element: double (containsNull = true)
 |-- parsed_vector: vector (nullable = true)

Answer 2

我遇到了和你一样的问题，我也是这样做的。这种方式包括 RDD 转换，因此对性能不是关键，但它有效。

from pyspark.sql import Row
from pyspark.ml.linalg import Vectors

source_data = [
    Row(city="Chicago", temperatures=[-1.0, -2.0, -3.0]),
    Row(city="New York", temperatures=[-7.0, -7.0, -5.0]), 
]
df = spark.createDataFrame(source_data)

city_rdd = df.rdd.map(lambda row:row[0])
temp_rdd = df.rdd.map(lambda row:row[1])
new_df = city_rdd.zip(temp_rdd.map(lambda x:Vectors.dense(x))).toDF(schema=['city','temperatures'])

new_df

结果是，

DataFrame[city: string, temperatures: vector]

如何将数组（即列表）列转换为 Vector

How do I convert an array (i.e. list) column to Vector

python

apache-spark

apache-spark-sql

pyspark

apache-spark-ml

问题的简短版本！

直接施法不行

可能的替代方案

备选方案 1：使用 `VectorAssembler`

备选方案 2：使用 UDF

可忽略的评论

不是解决方案：使用 `Vector` 开头

低效解决方案：使用`map()`

尝试变通方法失败

如何将数组（即列表）列转换为 Vector

How do I convert an array (i.e. list) column to Vector

python

apache-spark

apache-spark-sql

pyspark

apache-spark-ml

问题的简短版本！

直接施法不行

可能的替代方案

备选方案 1：使用 VectorAssembler

备选方案 2：使用 UDF

可忽略的评论

不是解决方案：使用 Vector 开头

低效解决方案：使用map()

尝试变通方法失败

备选方案 1：使用 `VectorAssembler`

不是解决方案：使用 `Vector` 开头

低效解决方案：使用`map()`