PySpark 中的 PCA 分析

PCA Analysis in PySpark

正在查看 http://spark.apache.org/docs/latest/mllib-dimensionality-reduction.html。这些示例似乎只包含 Java 和 Scala。

Spark MLlib 是否支持 Python 的 PCA 分析?如果是这样,请给我举个例子。如果没有,如何将 Spark 与 scikit-learn 相结合?

Spark >= 1.5.0

虽然 PySpark 1.5 引入了分布式数据结构 (pyspark.mllib.linalg.distributed),但看起来 API 相当有限并且没有实现 computePrincipalComponents 方法。

虽然可以使用 from pyspark.ml.feature.PCApyspark.mllib.feature.PCA。在第一种情况下,预期输入是具有向量列的数据框:

from pyspark.ml.feature import PCA as PCAml
from pyspark.ml.linalg import Vectors  # Pre 2.0 pyspark.mllib.linalg

df = sqlContext.createDataFrame([
   (Vectors.dense([1, 2, 0]),),
   (Vectors.dense([2, 0, 1]),),
   (Vectors.dense([0, 1, 0]),)], ("features", ))

pca = PCAml(k=2, inputCol="features", outputCol="pca")
model = pca.fit(df)
transformed = model.transform(df)

在 Spark 2.0 或更高版本中,您应该使用 pyspark.ml.linalg.Vector 代替 pyspark.mllib.linalg.Vector

对于 mllib 版本,您需要 RDD of Vector:

from pyspark.mllib.feature import PCA as PCAmllib

rdd = sc.parallelize([
    Vectors.dense([1, 2, 0]),
    Vectors.dense([2, 0, 1]),
    Vectors.dense([0, 1, 0])])

model = PCAmllib(2).fit(rdd)
transformed = model.transform(rdd)

Spark < 1.5.0

PySpark <= 1.4.1 尚不支持分布式数据结构,因此没有内置方法来计算 PCA。如果输入矩阵相对较薄,您可以以分布式方式计算协方差矩阵,收集结果并在驱动程序上本地执行特征分解。

操作顺序或多或少类似于下面的顺序。分布式步骤后跟操作名称,本地步骤后跟“*”和可选方法。

  1. 创建 RDD[Vector],其中每个元素都是输入矩阵中的一行。您可以对每一行使用 numpy.ndarray (prallelize)
  2. 计算按列统计(reduce
  3. 使用 2. 的结果使矩阵居中 (map)
  4. 计算每行的外积 (map outer)
  5. 对结果求和得到协方差矩阵(reduce +)
  6. 收集并计算特征分解 * (numpy.linalg.eigh)
  7. 选择前 n 个特征向量 *
  8. 投影数据(map

关于 Sklearn。您可以像往常一样在驱动程序或工作程序上使用 NumPy(它已在 Mllib)、SciPy、Scikit locally 上使用。