Spark和Python中使用决策树算法进行分析的问题

我正在为电信行业做一个客户流失分析，我有一个样本数据集。下面是我在

Spark

中通过

python

使用

decision tree

算法的代码。在数据集中，我有多个列，我正在为我的

功能选择所需的列

from pyspark.mllib.regression import LabeledPoint
from pyspark.mllib.tree import DecisionTree, DecisionTreeModel
from pyspark.mllib.util import MLUtils
import os.path
import numpy as np


inputPath = os.path.join('file1.csv')
file_name = os.path.join(inputPath)
data = sc.textFile(file_name).zipWithIndex().filter(lambda (line,rownum): rownum>0).map(lambda (line, rownum): line)


final_data = data.map(lambda line: line.split(",")).filter(lambda line: len(line)>1).map(lambda line:LabeledPoint(1 if line[5] == 'True' else 0,[line[6],line[7]]))

(trainingdata, testdata) = final_data.randomSplit([0.7, 0.3])

model = DecisionTree.trainRegressor(trainingdata, categoricalFeaturesInfo={},
                                    impurity='variance', maxDepth=5, maxBins=32)

predictions = model.predict(testdata.map(lambda x: x.features))
prediction= predictions.collect()

labelsAndPredictions = testData.map(lambda lp: lp.label).zip(predictions)

现在，这段代码可以很好地工作并进行预测，但我缺少的是
prediction
集合或
testdata
中每个客户的标识符。在我的数据集中有一列用于
customerid
（列号4），我现在不选择该列，因为它不是模型中要考虑的特性。对于详细信息在
testdata
中的客户，我很难将此
customerid
列与
testdata
相关联。如果我在
标签点
中形成的
特征
向量的数据集中添加此列，则这将导致错误，因为它不是特征值

我如何才能在分析中添加此列，以便获得客户流失率较高的前50名客户？
您可以使用与预测后添加标签完全相同的方法

小助手：

customerIndex = ... # Put index of the column

def extract(line):
    """Given a line create a tuple (customerId, labeledPoint)"""
    label = 1 if line[5] == 'True' else 0
    point =  LabeledPoint(label, [line[6], line[7]])
    customerId = line[customerIndex]
    return (customerId, point)

使用
提取功能准备日期：

final_data = (data
    .map(lambda line: line.split(","))
    .filter(lambda line: len(line) >1 )
    .map(extract)) # Map to tuples

列车：

# As before
(trainingdata, testdata) = final_data.randomSplit([0.7, 0.3])

# Use only points, put the rest of the arguments in place of ...
model = DecisionTree.trainRegressor(trainingdata.map(lambda x: x[1]), ...)

预测：

# Make predictions using points
predictions = model.predict(testdata.map(lambda x: x[1].features))

# Add customer id and label
labelsIdsAndPredictions = (testData
    .map(lambda x: (x[0], x[1].label))
    .zip(predictions))

摘录前50名：

top50 = labelsIdsAndPredictions.top(50, key=lambda x: x[1])

@你能帮我告诉我我是怎么做的吗，因为我是新来的？