Pyspark 应用该模型后转换数据帧的Pypark提取概率

在对数据集应用RandomForestClassifier进行二元分类和预测后，我获得了一个带有标签、预测和概率列的转换的数据帧df。
目标：
我想创建一个新列“prob_flag”，它是预测标签“1”的概率。它是包含概率的数组的第二个元素（本身是第一个数组的第三个元素）

我查看了这些主题，但发现了一个在这些主题中没有遇到的错误

df.show()
label   prediction                 probability
  0           0           [1,2,[],[0.7558548984793847,0.2441451015206153]]
  0           0           [1,2,[],[0.5190322149055472,0.4809677850944528]]
  0           1           [1,2,[],[0.4884140358521083,0.5115859641478916]]
  0           1           [1,2,[],[0.4884140358521083,0.5115859641478916]]
  1           1           [1,2,[],[0.40305518381637956,0.5969448161836204]]
  1           1           [1,2,[],[0.40570407426458577,0.5942959257354141]]

# The probability column is VectorUDT and looks like an array of dim 4 that contains probabilities of predicted variables I want to retrieve  
df.schema
StructType(List(StructField(label,DoubleType,true),StructField(prediction,DoubleType,false),StructField(probability,VectorUDT,true)))

# I tried this:
import pyspark.sql.functions as f

df.withColumn("prob_flag", f.array([f.col("probability")[3][1])).show()

"Can't extract value from probability#6225: need struct type but got struct<type:tinyint,size:int,indices:array<int>,values:array<double>>;"

df.show（）
标签预测概率
0           0           [1,2,[],[0.7558548984793847,0.2441451015206153]]
0           0           [1,2,[],[0.5190322149055472,0.4809677850944528]]
0           1           [1,2,[],[0.4884140358521083,0.5115859641478916]]
0           1           [1,2,[],[0.4884140358521083,0.5115859641478916]]
1           1           [1,2,[],[0.40305518381637956,0.5969448161836204]]
1           1           [1,2,[],[0.40570407426458577,0.5942959257354141]]
#概率列是VectorUDT，看起来像dim 4的数组，其中包含我要检索的预测变量的概率
模式
StructType（列表（StructField（标签，双类型，true），StructField（预测，双类型，false），StructField（概率，向量，true）））
#我试过这个：
导入pyspark.sql.f函数
df.withColumn（“prob_标志”），f.array（[f.col（“概率”）[3][1]）。show（）
“无法从概率中提取值#6225:需要结构类型，但得到结构；”

---

我想创建一个新列“prob_flag”，它是预测标签“1”的概率。它是数组的第二个数字，包含概率，例如0.24、0.48、0.51、0.51、0.59、0.59。不幸的是，您无法像提取ArrayType一样提取向量的字段

您必须改用自定义项：

from pyspark.sql.types import DoubleType
from pyspark.sql.functions import udf, col

def extract_prob(v):
    try:
        return float(v[1])  # Your VectorUDT is of length 2
    except ValueError:
        return None

extract_prob_udf = udf(extract_prob, DoubleType())

df2 = df.withColumn("prob_flag", extract_prob_udf(col("probability")))

---

不幸的是，您不能像提取ArrayType一样提取VectorUDT的字段

您必须改用自定义项：

from pyspark.sql.types import DoubleType
from pyspark.sql.functions import udf, col

def extract_prob(v):
    try:
        return float(v[1])  # Your VectorUDT is of length 2
    except ValueError:
        return None

extract_prob_udf = udf(extract_prob, DoubleType())

df2 = df.withColumn("prob_flag", extract_prob_udf(col("probability")))