制作和操作numpy数组，并将数据与pyspark一起使用

我在

pyspark.mllib.stat.KernelDensity

中使用手工编制的测试数据时遇到问题。在

numpy.float

和Python的泛型

float

之间存在某种问题/差异，在使用（部分）

pyspark

时会出现这种问题；特别是使用

numpy.float

的断点构造的RDD

有没有一种方法可以创建NumPy数组，使它们的元素是python float而不是

NumPy.float

import pyspark
import pyspark.mllib.stat
import numpy
sc = pyspark.SparkContext("local", 'test2')
rdd1 = sc.parallelize([1.0, 2.0, 3.0])
rdd2 = sc.parallelize(numpy.arange(1.0, 4.0, 1.0))
(kd1, kd2) = pyspark.mllib.stat.KernelDensity(), pyspark.mllib.stat.KernelDensity()
kd1.setBandwidth(0.2)
kd1.setSample(rdd1)
kd2.setBandwidth(0.2)
kd2.setSample(rdd2)
x = numpy.arange(0, 5.0, 0.1)
y1 = kd1.estimate(x)
y2 = kd2.estimate(x)

^kd2.1估计失败 尝试替换：

rdd2 = sc.parallelize(numpy.arange(1.0, 4.0, 1.0))

与

在第一个代码块中

rdd2 = sc.parallelize(numpy.arange(1.0, 4.0, 1.0))

rdd2 = sc.parallelize(numpy.arange(1.0, 4.0, 1.0).tolist())