如何在pyspark中获得每个PCA分量的解释方差

据我所知，pyspark提供了PCA API，如：

从pyspark.ml.feature导入PCA
pca=pca（k=3，inputCol=“features”，outputCol=“pcaFeatures”）
模型=pca.fit（数据帧）

然而在现实中，我发现解释方差比的应用更广泛。例如，在sklearn中：

从sklearn.com导入PCA
pca\u装配工=pca（n\u组件=0.85）

---

有人知道如何在pyspark中实现解释方差比吗？谢谢

从Spark 2.0开始，

PCAModel

包括一个

解释方差

方法；从：

解释差异

返回由每个主成分解释的方差比例向量

版本2.0.0中的新功能

以下是一个具有

k=2

主成分和玩具数据的示例，改编自：

spark.version
#u'2.2.0'
从pyspark.ml.linalg导入向量
从pyspark.ml.feature导入PCA
数据=[（Vectors.sparse（5，[（1，1.0），（3，7.0）]，），
…（向量密集（[2.0,0.0,3.0,4.0,5.0]），），
…（向量密集（[4.0,0.0,0.0,6.0,7.0]），）
df=spark.createDataFrame（数据，[“功能”]）
pca=pca（k=2，输入col=“特征”，输出col=“pca\U特征”）
模型=主成分分析拟合（df）
模型解释方差
#DenseVector（[0.7944,0.2056]）

i、 e.根据我们的

k=2

主成分，第一个解释了79.44%的方差，而第二个解释了剩余的20.56%