Создание помеченных точек из фрейма данных Spark с помощью Pyspark

Question

У меня есть искровой Dataframe с двумя столбцами «label» и «sparse Vector», полученные после применения Countvectorizer к корпусу твита.

При попытке обучить модель Random Forest Regressor я обнаружил, что она принимает только тип LabeledPoint.

Кто-нибудь знает, как преобразовать мой искровой DataFrame в LabeledPoint

Answer 1

Какую версию свечи вы используете. Spark использовать искры мл вместо Mllib.

from pyspark.ml.feature import CountVectorizer
from pyspark.ml.classification import RandomForestClassifier
from pyspark.sql import functions as F

# Input data: Each row is a bag of words with a ID.
df = sqlContext.createDataFrame([
    (0, "a b c".split(" ")),
    (1, "a b b c a".split(" "))
], ["id", "words"])

# fit a CountVectorizerModel from the corpus.
cv = CountVectorizer(inputCol="words", outputCol="features", vocabSize=3, minDF=2.0)

model = cv.fit(df)

result = model.transform(df).withColumn('label', F.lit(0))
rf = RandomForestClassifier(labelCol="label", featuresCol="features", numTrees=10)
rf.fit(result)

если вы настаиваете на mllib:

from pyspark.mllib.regression import LabeledPoint
from pyspark.mllib.tree import RandomForest

rdd = result \ 
          .rdd \
          .map(lambda row: LabeledPoint(row['label'], row['features'].toArray()))
RandomForest.trainClassifier(rdd, 2, {}, 3)