Python 3.x 如何在pyspark中将sparsevector传递给'mllib'
我通过齐柏林飞艇和python 3.5使用pyspark 1.6.3 我正在尝试使用pysparkPython 3.x 如何在pyspark中将sparsevector传递给'mllib',python-3.x,pyspark,sparse-matrix,apache-spark-mllib,Python 3.x,Pyspark,Sparse Matrix,Apache Spark Mllib,我通过齐柏林飞艇和python 3.5使用pyspark 1.6.3 我正在尝试使用pysparkcountvectorier和LDA函数实现潜在的Dirichlet分配。首先,问题是:这是我正在使用的代码。让df成为一个spark数据帧,在“标记化”列中包含标记化文本 vectors = 'vectors' cv = CountVectorizer(inputCol = 'tokenized', outputCol = vectors) model = cv.fit(df) df = mode
countvectorier
和LDA
函数实现潜在的Dirichlet分配。首先,问题是:这是我正在使用的代码。让df
成为一个spark数据帧,在“标记化”列中包含标记化文本
vectors = 'vectors'
cv = CountVectorizer(inputCol = 'tokenized', outputCol = vectors)
model = cv.fit(df)
df = model.transform(df)
corpus = df.select(vectors).rdd.zipWithIndex().map(lambda x: [x[1], x[0]]).cache()
ldaModel = LDA.train(corpus, k=25)
此代码或多或少取自。
在调用LDA
时,我得到以下错误:
net.razorvine.pickle.PickleException: expected zero arguments for construction of ClassDict (for pyspark.sql.types._create_row)
报告告诉我这是由于类型不匹配造成的
让我们看看LDA
和CountVectorizer
的类型。从spark docs这里可以看到另一个稀疏向量进入LDA
:
>>> from pyspark.mllib.linalg import Vectors, SparseVector
>>> data = [
... [1, Vectors.dense([0.0, 1.0])],
... [2, SparseVector(2, {0: 1.0})],
... ]
>>> rdd = sc.parallelize(data)
>>> model = LDA.train(rdd, k=2, seed=1)
我自己实现了这一点,这就是rdd
的样子:
>> testrdd.take(2)
[[1, DenseVector([0.0, 1.0])], [2, SparseVector(2, {0: 1.0})]]
另一方面,如果我转到我的原始代码,查看带有CountVectorizer
输出的语料库
rdd,我会看到(编辑以删除无关位):
因此,我使用的示例(来自文档!)不会生成(index,SparseVector)的元组,而是(index,Row(SparseVector))。。。还是什么
问题:
- SparseVector周围的行包装器是导致此错误的原因吗
- 如果是这样,我如何摆脱Row对象?行是df的一个属性,但我使用
转换为rdd;我还需要做什么df.rdd
- 这可能是问题所在。只需从
行
对象中提取向量
corpus = df.select(vectors).rdd.zipWithIndex().map(lambda x: [x[1], x[0]['vectors']]).cache()
corpus = df.select(vectors).rdd.zipWithIndex().map(lambda x: [x[1], x[0]['vectors']]).cache()