1
我使用Spark MLLib k-Means,它要求功能具有相同的尺寸。这些特征是使用直方图计算的,所以我必须使用固定大小的箱子。 Hive具有内置函数histogram_numeric(col,b) - 使用b个非均匀间隔的bin计算组中数值列的直方图。什么是最好的方法以及如何在直方图中使用b个固定大小的容器?如何在Hive中的直方图中使用固定大小的大小?
我使用Spark MLLib k-Means,它要求功能具有相同的尺寸。这些特征是使用直方图计算的,所以我必须使用固定大小的箱子。 Hive具有内置函数histogram_numeric(col,b) - 使用b个非均匀间隔的bin计算组中数值列的直方图。什么是最好的方法以及如何在直方图中使用b个固定大小的容器?如何在Hive中的直方图中使用固定大小的大小?
一个处理这种可能的方式是创建一个UDF这样
import org.apache.spark.sql.Row
import org.apache.spark.sql.functions._
def get_bucket(breaks: Array[Double]) = udf(
(x: Double) =>
scala.math.abs(java.util.Arrays.binarySearch(breaks, x) + 1))
让我们假设你的数据看起来与此类似:
val df = sc.parallelize(Seq(
(1, 1.0), (1, 2.3), (1, 0.4), (1, 2.1), (1, 3.5), (1, 9.0),
(2, 3.6), (2, 0.2), (2, 0.6), (2, 0.1), (2, 4.0), (2, -1.0)
)).toDF("k", "v")
其中k
标识点和v
是你的值想用来计算直方图。
val breaks = Array(0.0, 1.0, 2.0, 3.0, 4.0)
val dfWithBuckets = df
.withColumn("bucket", get_bucket(breaks)($"v"))
.groupBy($"k", $"bucket")
.agg(count(lit(1)))
dfWithBuckets.show()
// +---+------+--------+
// | k|bucket|count(1)|
// +---+------+--------+
// | 1| 1| 1|
// | 1| 2| 1|
// | 1| 3| 2|
// | 1| 4| 1|
// | 1| 5| 1|
// | 2| 0| 1|
// | 2| 1| 3|
// | 2| 4| 1|
// | 2| 5| 1|
// +---+------+--------+
最后上面的数据可以被收集,归纳,并转化为向量:
import org.apache.spark.mllib.linalg.Vectors
def toVector(xs: Iterable[(Int, Long)], n: Int) = {
val sorted = xs.toArray.sorted
val indices = sorted.map(_._1)
val values = sorted.map(_._2.toDouble)
Vectors.sparse(n, indices, values)
}
val vectors = dfWithBuckets.map{
case Row(k: Int, b: Int, cnt: Long) =>
(k, (b, cnt))}
.groupByKey
.mapValues(vs => toVector(vs, breaks.size + 1))
vectors.collect
// Array[(Int, org.apache.spark.mllib.linalg.Vector)] = Array(
// (1,(6,[1,2,3,4,5],[1.0,1.0,2.0,1.0,1.0])),
// (2,(6,[0,1,4,5],[1.0,3.0,1.0,1.0])))
感谢您的有益的建议!如果没有其他选择,我会使用你的方法。在我的情况下,我有:'myDfWithBuckets.groupBy($“bucket”)。agg(callUDF(“histogram_numeric”,$“col1”,lit(n)))''。如果n是固定大小的容器,那么我就完成了。 histogram_numeric的问题是,在n = 40的情况下,有时我只回收12个桶,有时20个桶。我需要固定数量的桶。 – wdz