Apache spark spark.ml StringIndexer抛出'；看不见的标签'；关于fit（）_Apache Spark_Dataframe_Pyspark_Apache Spark Sql_Apache Spark Ml

Apache spark spark.ml StringIndexer抛出'；看不见的标签'；关于fit（）

apache-spark dataframe pyspark

Apache spark spark.ml StringIndexer抛出'；看不见的标签'；关于fit（）,apache-spark,dataframe,pyspark,apache-spark-sql,apache-spark-ml,Apache Spark,Dataframe,Pyspark,Apache Spark Sql,Apache Spark Ml,我正在准备一个玩具spark.ml示例Spark版本1.6.0，运行在Oracle JDK版本1.8.0_65之上，pyspark，ipython笔记本电脑首先，这几乎与我无关。将管道装配到数据集而不是转换数据集时引发异常。在这里，抑制异常可能不是一个解决方案，因为在这种情况下，恐怕数据集会变得非常糟糕我的数据集大约是800Mb未压缩的，所以可能很难复制（较小的子集似乎可以避免这个问题）数据集如下所示： +--------------------+-----------+-----+---

我正在准备一个玩具

spark.ml

示例

Spark版本1.6.0

，运行在Oracle JDK版本1.8.0_65之上，pyspark，ipython笔记本电脑

首先，这几乎与我无关。将管道装配到数据集而不是转换数据集时引发异常。在这里，抑制异常可能不是一个解决方案，因为在这种情况下，恐怕数据集会变得非常糟糕

我的数据集大约是800Mb未压缩的，所以可能很难复制（较小的子集似乎可以避免这个问题）

数据集如下所示：

+--------------------+-----------+-----+-------+-----+--------------------+
|                 url|         ip|   rs|   lang|label|                 txt|
+--------------------+-----------+-----+-------+-----+--------------------+
|http://3d-detmold...|217.160.215|378.0|     de|  0.0|homwillkommskip c...|
|   http://3davto.ru/| 188.225.16|891.0|     id|  1.0|оформить заказ пе...|
| http://404.szm.com/|  85.248.42| 58.0|     cs|  0.0|kliknite tu alebo...|
|  http://404.xls.hu/| 212.52.166|168.0|     hu|  0.0|honlapkészítés404...|
|http://a--m--a--t...|    66.6.43|462.0|     en|  0.0|back top archiv r...|
|http://a-wrf.ru/c...|  78.108.80|126.0|unknown|  1.0|                    |
|http://a-wrf.ru/s...|  78.108.80|214.0|     ru|  1.0|установк фаркопна...|
+--------------------+-----------+-----+-------+-----+--------------------+

正在预测的值是

标签

。适用于它的整个管道：

来自pyspark.ml导入管道
从pyspark.ml.feature导入向量汇编程序、StringIndexer、OneHotEncoder、标记器、哈希函数
从pyspark.ml.classification导入逻辑回归
列车，测试=munge（src_数据帧）。随机拆分（[70,30.]，种子=12345）
管段=[
StringIndexer（inputCol='lang'，outputCol='lang\u idx'），
OneHotEncoder（inputCol='lang\u idx'，outputCol='lang\u onehot'），
令牌发生器（inputCol='ip'，outputCol='ip_令牌'），
HashingTF（numFeatures=2**10，inputCol='ip_令牌'，outputCol='ip_向量'），
标记器（inputCol='txt'，outputCol='txt\U标记），
HashingTF（numFeatures=2**18，inputCol='txt_标记'，outputCol='txt_向量'），
向量汇编程序（inputCols=['lang\u onehot'，'ip\u vector'，'txt\u vector']，outputCol='features'），
逻辑回归（labelCol='label'，featuresCol='features'）
]
管道=管道（阶段=管道\阶段）
管道型号=管道安装（列车）

这是stacktrace：

Py4JJavaError: An error occurred while calling o10793.fit.
: org.apache.spark.SparkException: Job aborted due to stage failure: Task 18 in stage 627.0 failed 1 times, most recent failure: Lost task 18.0 in stage 627.0 (TID 23259, localhost): org.apache.spark.SparkException: Unseen label: pl-PL.
    at org.apache.spark.ml.feature.StringIndexerModel$$anonfun$4.apply(StringIndexer.scala:157)
    at org.apache.spark.ml.feature.StringIndexerModel$$anonfun$4.apply(StringIndexer.scala:153)
    at org.apache.spark.sql.catalyst.expressions.GeneratedClass$SpecificUnsafeProjection.evalExpr2$(Unknown Source)
    at org.apache.spark.sql.catalyst.expressions.GeneratedClass$SpecificUnsafeProjection.apply(Unknown Source)
    at org.apache.spark.sql.execution.Project$$anonfun$1$$anonfun$apply$1.apply(basicOperators.scala:51)
    at org.apache.spark.sql.execution.Project$$anonfun$1$$anonfun$apply$1.apply(basicOperators.scala:49)
    at scala.collection.Iterator$$anon$11.next(Iterator.scala:328)
    at scala.collection.Iterator$$anon$14.hasNext(Iterator.scala:389)
    at scala.collection.Iterator$$anon$11.hasNext(Iterator.scala:327)
    at scala.collection.Iterator$$anon$11.hasNext(Iterator.scala:327)
    at org.apache.spark.storage.MemoryStore.unrollSafely(MemoryStore.scala:282)
    at org.apache.spark.CacheManager.putInBlockManager(CacheManager.scala:171)
    at org.apache.spark.CacheManager.getOrCompute(CacheManager.scala:78)
    at org.apache.spark.rdd.RDD.iterator(RDD.scala:268)
    at org.apache.spark.rdd.MapPartitionsRDD.compute(MapPartitionsRDD.scala:38)
    at org.apache.spark.rdd.RDD.computeOrReadCheckpoint(RDD.scala:306)
    at org.apache.spark.rdd.RDD.iterator(RDD.scala:270)
    at org.apache.spark.rdd.MapPartitionsRDD.compute(MapPartitionsRDD.scala:38)
    at org.apache.spark.rdd.RDD.computeOrReadCheckpoint(RDD.scala:306)
    at org.apache.spark.rdd.RDD.iterator(RDD.scala:270)
    at org.apache.spark.scheduler.ShuffleMapTask.runTask(ShuffleMapTask.scala:73)
    at org.apache.spark.scheduler.ShuffleMapTask.runTask(ShuffleMapTask.scala:41)
    at org.apache.spark.scheduler.Task.run(Task.scala:89)
    at org.apache.spark.executor.Executor$TaskRunner.run(Executor.scala:213)
    at java.util.concurrent.ThreadPoolExecutor.runWorker(ThreadPoolExecutor.java:1142)
    at java.util.concurrent.ThreadPoolExecutor$Worker.run(ThreadPoolExecutor.java:617)
    at java.lang.Thread.run(Thread.java:745)

Driver stacktrace:
    at org.apache.spark.scheduler.DAGScheduler.org$apache$spark$scheduler$DAGScheduler$$failJobAndIndependentStages(DAGScheduler.scala:1431)
    at org.apache.spark.scheduler.DAGScheduler$$anonfun$abortStage$1.apply(DAGScheduler.scala:1419)
    at org.apache.spark.scheduler.DAGScheduler$$anonfun$abortStage$1.apply(DAGScheduler.scala:1418)
    at scala.collection.mutable.ResizableArray$class.foreach(ResizableArray.scala:59)
    at scala.collection.mutable.ArrayBuffer.foreach(ArrayBuffer.scala:47)
    at org.apache.spark.scheduler.DAGScheduler.abortStage(DAGScheduler.scala:1418)
    at org.apache.spark.scheduler.DAGScheduler$$anonfun$handleTaskSetFailed$1.apply(DAGScheduler.scala:799)
    at org.apache.spark.scheduler.DAGScheduler$$anonfun$handleTaskSetFailed$1.apply(DAGScheduler.scala:799)
    at scala.Option.foreach(Option.scala:236)
    at org.apache.spark.scheduler.DAGScheduler.handleTaskSetFailed(DAGScheduler.scala:799)
    at org.apache.spark.scheduler.DAGSchedulerEventProcessLoop.doOnReceive(DAGScheduler.scala:1640)
    at org.apache.spark.scheduler.DAGSchedulerEventProcessLoop.onReceive(DAGScheduler.scala:1599)
    at org.apache.spark.scheduler.DAGSchedulerEventProcessLoop.onReceive(DAGScheduler.scala:1588)
    at org.apache.spark.util.EventLoop$$anon$1.run(EventLoop.scala:48)
    at org.apache.spark.scheduler.DAGScheduler.runJob(DAGScheduler.scala:620)
    at org.apache.spark.SparkContext.runJob(SparkContext.scala:1832)
    at org.apache.spark.SparkContext.runJob(SparkContext.scala:1952)
    at org.apache.spark.rdd.RDD$$anonfun$reduce$1.apply(RDD.scala:1025)
    at org.apache.spark.rdd.RDDOperationScope$.withScope(RDDOperationScope.scala:150)
    at org.apache.spark.rdd.RDDOperationScope$.withScope(RDDOperationScope.scala:111)
    at org.apache.spark.rdd.RDD.withScope(RDD.scala:316)
    at org.apache.spark.rdd.RDD.reduce(RDD.scala:1007)
    at org.apache.spark.rdd.RDD$$anonfun$treeAggregate$1.apply(RDD.scala:1136)
    at org.apache.spark.rdd.RDDOperationScope$.withScope(RDDOperationScope.scala:150)
    at org.apache.spark.rdd.RDDOperationScope$.withScope(RDDOperationScope.scala:111)
    at org.apache.spark.rdd.RDD.withScope(RDD.scala:316)
    at org.apache.spark.rdd.RDD.treeAggregate(RDD.scala:1113)
    at org.apache.spark.ml.classification.LogisticRegression.train(LogisticRegression.scala:271)
    at org.apache.spark.ml.classification.LogisticRegression.train(LogisticRegression.scala:159)
    at org.apache.spark.ml.Predictor.fit(Predictor.scala:90)
    at org.apache.spark.ml.Predictor.fit(Predictor.scala:71)
    at sun.reflect.NativeMethodAccessorImpl.invoke0(Native Method)
    at sun.reflect.NativeMethodAccessorImpl.invoke(NativeMethodAccessorImpl.java:62)
    at sun.reflect.DelegatingMethodAccessorImpl.invoke(DelegatingMethodAccessorImpl.java:43)
    at java.lang.reflect.Method.invoke(Method.java:497)
    at py4j.reflection.MethodInvoker.invoke(MethodInvoker.java:231)
    at py4j.reflection.ReflectionEngine.invoke(ReflectionEngine.java:381)
    at py4j.Gateway.invoke(Gateway.java:259)
    at py4j.commands.AbstractCommand.invokeMethod(AbstractCommand.java:133)
    at py4j.commands.CallCommand.execute(CallCommand.java:79)
    at py4j.GatewayConnection.run(GatewayConnection.java:209)
    at java.lang.Thread.run(Thread.java:745)
Caused by: org.apache.spark.SparkException: Unseen label: pl-PL.
    at org.apache.spark.ml.feature.StringIndexerModel$$anonfun$4.apply(StringIndexer.scala:157)
    at org.apache.spark.ml.feature.StringIndexerModel$$anonfun$4.apply(StringIndexer.scala:153)
    at org.apache.spark.sql.catalyst.expressions.GeneratedClass$SpecificUnsafeProjection.evalExpr2$(Unknown Source)
    at org.apache.spark.sql.catalyst.expressions.GeneratedClass$SpecificUnsafeProjection.apply(Unknown Source)
    at org.apache.spark.sql.execution.Project$$anonfun$1$$anonfun$apply$1.apply(basicOperators.scala:51)
    at org.apache.spark.sql.execution.Project$$anonfun$1$$anonfun$apply$1.apply(basicOperators.scala:49)
    at scala.collection.Iterator$$anon$11.next(Iterator.scala:328)
    at scala.collection.Iterator$$anon$14.hasNext(Iterator.scala:389)
    at scala.collection.Iterator$$anon$11.hasNext(Iterator.scala:327)
    at scala.collection.Iterator$$anon$11.hasNext(Iterator.scala:327)
    at org.apache.spark.storage.MemoryStore.unrollSafely(MemoryStore.scala:282)
    at org.apache.spark.CacheManager.putInBlockManager(CacheManager.scala:171)
    at org.apache.spark.CacheManager.getOrCompute(CacheManager.scala:78)
    at org.apache.spark.rdd.RDD.iterator(RDD.scala:268)
    at org.apache.spark.rdd.MapPartitionsRDD.compute(MapPartitionsRDD.scala:38)
    at org.apache.spark.rdd.RDD.computeOrReadCheckpoint(RDD.scala:306)
    at org.apache.spark.rdd.RDD.iterator(RDD.scala:270)
    at org.apache.spark.rdd.MapPartitionsRDD.compute(MapPartitionsRDD.scala:38)
    at org.apache.spark.rdd.RDD.computeOrReadCheckpoint(RDD.scala:306)
    at org.apache.spark.rdd.RDD.iterator(RDD.scala:270)
    at org.apache.spark.scheduler.ShuffleMapTask.runTask(ShuffleMapTask.scala:73)
    at org.apache.spark.scheduler.ShuffleMapTask.runTask(ShuffleMapTask.scala:41)
    at org.apache.spark.scheduler.Task.run(Task.scala:89)
    at org.apache.spark.executor.Executor$TaskRunner.run(Executor.scala:213)
    at java.util.concurrent.ThreadPoolExecutor.runWorker(ThreadPoolExecutor.java:1142)
    at java.util.concurrent.ThreadPoolExecutor$Worker.run(ThreadPoolExecutor.java:617)
    ... 1 more

最有趣的是：

org.apache.spark.SparkException: Unseen label: pl-PL.

不知道，

pl-pl

这是

lang

列中的一个值，怎么会在

label

列中混为一谈，这是一个

float

，而不是

string

编辑：一些仓促的结论，由于@zero323而得到纠正

我进一步研究发现，

pl

是数据集测试部分的值，而不是训练。所以现在我甚至不知道从哪里寻找罪魁祸首：很可能是

randomspilt

代码，而不是

StringIndexer

，谁知道还有什么

如何对此进行调查？

看不见的标签

。最可能的问题在于以下阶段：

StringIndexer(inputCol='lang', outputCol='lang_idx')

pl

出现在

train（“lang”）

中，而不出现在

test（“lang”）

中

您可以使用

setHandleInvalid

和

skip

来更正它：

从pyspark.ml.feature导入StringIndexer
train=sc.parallelize（[（1，“foo”），（2，“bar”）））.toDF（[“k”，“v”]）
test=sc.parallelize（[（3，“foo”），（4，“foobar”）））.toDF（[“k”，“v”]）
indexer=StringIndexer（inputCol=“v”，outputCol=“vi”）
index.fit（train.transform（test.show）（）
##Py4JJavaError:调用o112.showString时出错。
##：org.apache.spark.sparkeexception:由于阶段失败，作业中止：
##   ...
##org.apache.spark.SparkException:Unseen标签：foobar。
index.setHandleInvalid（“跳过”）.fit（训练）.transform（测试）.show（）
## +---+---+---+
##| k | v | vi|
## +---+---+---+
##| 3 | foo | 1.0|
## +---+---+---+

或者，在最新版本中，

保留

：

indexer.setHandleInvalid（“keep”）.fit（训练）.transform（测试）.show（）
## +---+------+---+
##| k | v | vi|
## +---+------+---+
##| 3 | foo | 0.0|
##| 4 | foobar | 2.0|
## +---+------+---+

好的，我想我明白了。至少我让它工作起来了

缓存数据帧（包括训练/测试部分）解决了这个问题。这就是我在这期《吉拉》中发现的：

所以这不是一个bug，只是一个事实，

randomSample

可能会在相同但分区不同的数据集上产生不同的结果。显然，我的一些munging函数（或

管道

）涉及重新分区，因此，列车组重新计算的结果可能与其定义不同

我仍然感兴趣的是再现性：总是“pl”行在数据集的错误部分混合，也就是说，它不是随机的重新划分。这是确定性的，只是不一致。我想知道它到底是如何发生的。

您将setHandleInvalid（“跳过”）放在管道中的何处？@mikeL无论您在何处定义

StringIndexer

。它是索引器的

参数

，而不是

管道

。