Scala 如何在Spark ML中创建正确的分类数据框架

我试图使用运行随机森林分类，但在创建正确的数据帧输入到管道中时遇到了问题

以下是示例数据：

age,hours_per_week,education,sex,salaryRange
38,40,"hs-grad","male","A"
28,40,"bachelors","female","A"
52,45,"hs-grad","male","B"
31,50,"masters","female","B"
42,40,"bachelors","male","B"

年龄和每周小时数是整数，而包括标签工资范围在内的其他特征是分类的（字符串）

加载此csv文件（我们称之为sample.csv）可以通过以下方式完成：

val data = sqlContext.csvFile("/home/dusan/sample.csv")

默认情况下，所有列都作为字符串导入，因此我们需要将“年龄”和“每周小时数”更改为Int：

现在只需检查模式的外观：

scala> dataFixed.printSchema
root
 |-- age: integer (nullable = true)
 |-- hours_per_week: integer (nullable = true)
 |-- education: string (nullable = true)
 |-- sex: string (nullable = true)
 |-- salaryRange: string (nullable = true)

然后让我们设置交叉验证程序和管道：

val rf = new RandomForestClassifier()
val pipeline = new Pipeline().setStages(Array(rf)) 
val cv = new CrossValidator().setNumFolds(10).setEstimator(pipeline).setEvaluator(new BinaryClassificationEvaluator)

运行此行时显示错误：

val cmModel = cv.fit(dataFixed)

java.lang.IllegalArgumentException:字段“功能”不存在。

可以在RandomForestClassifier中设置标签列和特征列，但是我有4列作为预测器（特征），而不仅仅是一列

我应该如何组织我的数据框，使其具有正确组织的标签和功能列？

为方便起见，以下是完整代码：

import org.apache.spark.SparkConf
import org.apache.spark.SparkContext
import org.apache.spark.ml.classification.RandomForestClassifier
import org.apache.spark.ml.evaluation.BinaryClassificationEvaluator
import org.apache.spark.ml.tuning.CrossValidator
import org.apache.spark.ml.Pipeline
import org.apache.spark.sql.DataFrame

import org.apache.spark.sql.functions._
import org.apache.spark.mllib.linalg.{Vector, Vectors}


object SampleClassification {

  def main(args: Array[String]): Unit = {

    //set spark context
    val conf = new SparkConf().setAppName("Simple Application").setMaster("local");
    val sc = new SparkContext(conf)
    val sqlContext = new org.apache.spark.sql.SQLContext(sc)

    import sqlContext.implicits._
    import com.databricks.spark.csv._

    //load data by using databricks "Spark CSV Library" 
    val data = sqlContext.csvFile("/home/dusan/sample.csv")

    //by default all columns are imported as string so we need to change "age" and  "hours_per_week" to Int
    val toInt    = udf[Int, String]( _.toInt)
    val dataFixed = data.withColumn("age", toInt(data("age"))).withColumn("hours_per_week",toInt(data("hours_per_week")))


    val rf = new RandomForestClassifier()

    val pipeline = new Pipeline().setStages(Array(rf))

    val cv = new CrossValidator().setNumFolds(10).setEstimator(pipeline).setEvaluator(new BinaryClassificationEvaluator)

    // this fails with error
    //java.lang.IllegalArgumentException: Field "features" does not exist.
    val cmModel = cv.fit(dataFixed) 
  }

}

---

谢谢你的帮助

根据mllib-random trees上的spark文档，在我看来，您应该定义您正在使用的特征映射，并且点应该是一个标签点

这将告诉算法哪些列应该用作预测，哪些是特征

val assembler = new VectorAssembler()
  .setInputCols(Array("col1", "col2", "col3"))
  .setOutputCol("features")

---

您只需确保您的数据帧中有一个

“features”

列，其类型为

VectorUDF

，如下所示：

scala> val df2 = dataFixed.withColumnRenamed("age", "features")
df2: org.apache.spark.sql.DataFrame = [features: int, hours_per_week: int, education: string, sex: string, salaryRange: string]

scala> val cmModel = cv.fit(df2) 
java.lang.IllegalArgumentException: requirement failed: Column features must be of type org.apache.spark.mllib.linalg.VectorUDT@1eef but was actually IntegerType.
    at scala.Predef$.require(Predef.scala:233)
    at org.apache.spark.ml.util.SchemaUtils$.checkColumnType(SchemaUtils.scala:37)
    at org.apache.spark.ml.PredictorParams$class.validateAndTransformSchema(Predictor.scala:50)
    at org.apache.spark.ml.Predictor.validateAndTransformSchema(Predictor.scala:71)
    at org.apache.spark.ml.Predictor.transformSchema(Predictor.scala:118)
    at org.apache.spark.ml.Pipeline$$anonfun$transformSchema$4.apply(Pipeline.scala:164)
    at org.apache.spark.ml.Pipeline$$anonfun$transformSchema$4.apply(Pipeline.scala:164)
    at scala.collection.IndexedSeqOptimized$class.foldl(IndexedSeqOptimized.scala:51)
    at scala.collection.IndexedSeqOptimized$class.foldLeft(IndexedSeqOptimized.scala:60)
    at scala.collection.mutable.ArrayOps$ofRef.foldLeft(ArrayOps.scala:108)
    at org.apache.spark.ml.Pipeline.transformSchema(Pipeline.scala:164)
    at org.apache.spark.ml.tuning.CrossValidator.transformSchema(CrossValidator.scala:142)
    at org.apache.spark.ml.PipelineStage.transformSchema(Pipeline.scala:59)
    at org.apache.spark.ml.tuning.CrossValidator.fit(CrossValidator.scala:107)
    at $iwC$$iwC$$iwC$$iwC$$iwC$$iwC$$iwC$$iwC$$iwC$$iwC$$iwC$$iwC$$iwC$$iwC$$iwC$$iwC.<init>(<console>:67)
    at $iwC$$iwC$$iwC$$iwC$$iwC$$iwC$$iwC$$iwC$$iwC$$iwC$$iwC$$iwC$$iwC$$iwC$$iwC.<init>(<console>:72)
    at $iwC$$iwC$$iwC$$iwC$$iwC$$iwC$$iwC$$iwC$$iwC$$iwC$$iwC$$iwC$$iwC$$iwC.<init>(<console>:74)
    at $iwC$$iwC$$iwC$$iwC$$iwC$$iwC$$iwC$$iwC$$iwC$$iwC$$iwC$$iwC$$iwC.<init>(<console>:76)

val toVec4    = udf[Vector, Int, Int, String, String] { (a,b,c,d) => 
  val e3 = c match {
    case "hs-grad" => 0
    case "bachelors" => 1
    case "masters" => 2
  }
  val e4 = d match {case "male" => 0 case "female" => 1}
  Vectors.dense(a, b, e3, e4) 
}

现在，要对“标签”字段进行编码，请创建另一个

udf

，如下所示：

val encodeLabel    = udf[Double, String]( _ match { case "A" => 0.0 case "B" => 1.0} )

现在，我们使用这两个

udf

转换原始数据帧：

val df = dataFixed.withColumn(
  "features",
  toVec4(
    dataFixed("age"),
    dataFixed("hours_per_week"),
    dataFixed("education"),
    dataFixed("sex")
  )
).withColumn("label", encodeLabel(dataFixed("salaryRange"))).select("features", "label")

请注意，数据框中可能存在额外的列/字段，但在本例中，我仅选择了

功能

和

标签

：

scala> df.show()
+-------------------+-----+
|           features|label|
+-------------------+-----+
|[38.0,40.0,0.0,0.0]|  0.0|
|[28.0,40.0,1.0,1.0]|  0.0|
|[52.0,45.0,0.0,0.0]|  1.0|
|[31.0,50.0,2.0,1.0]|  1.0|
|[42.0,40.0,1.0,0.0]|  1.0|
+-------------------+-----+

---

现在，您需要为学习算法设置正确的参数以使其工作。

从Spark 1.4开始，您可以使用Transformer。 只需提供您希望成为功能的列名

val assembler = new VectorAssembler()
  .setInputCols(Array("col1", "col2", "col3"))
  .setOutputCol("features")

---

并将其添加到您的管道中

不知道scala语言，但您在哪里设置数据集中的标签和功能，如LabeledPoint（标签，列表（功能）），请检查@ABC中的示例，请检查我在下面问题中的注释。检查此示例，其中val model=pipeline.fit（training.toDF（））利用管道中的dataframe在包mllib中有一个旧的api，这些点实际上应该标记为点。然而，我尝试使用ml包中的新api，因为它支持管道、交叉验证等。。这个新api使用DataFrame作为输入。e、 g.比较这两个：从使用数据帧的ml和从MLLIB的RandomForestModel（），您是否有机会展示我如何从我的数据创建VectorUDF类型的名为“features”的列？@DusanGrubjesic:我添加了代码示例。请查看编辑1这真是太棒了！我只是不确定我们如何将信息从ML传递到分类器，现在这些e3和e4是分类特征而不是数字特征？原因在“低级”mllib api中，可以通过索引和分类功能的类别数传递分类功能信息。在“高级”ml api中，这应该直接从模式中提取。在这种情况下，对

双
值（所有数字）的重新解析
向量
，构成您的特征向量。你可能想做标准化，ohe热编码，标准化。。。无论您看起来是否适合您的算法，但您的特征向量中的值必须全部为
Double
。你指的是哪种低级API？@DusanGrubjesic：我很高兴它很有用。感谢mlllib和ml之间的区别：-）解释了问题的细节，以及解决方案的外观。这个答案展示了一个很好的方法来完成它。这不起作用，因为一些特性是String类型的。对于严格的数字数据，这是一个很好的解决方案。@gstvolvr您需要首先使用
StringIndexer
将字符串转换为数字。为清楚起见，可能值得在答案中添加此步骤。