我有一个从scipy(300k x 100k与所有二进制值,大多为零)大型稀疏矩阵。我想将此矩阵的行设置为RDD,然后对这些行执行一些计算 - 评估每行上的函数,评估行对上的函数等。从scipy稀疏矩阵创建稀疏RDD
关键的是它很稀疏我不想爆炸集群 - 我可以将行转换为SparseVectors吗?或者也许将整个事情转换为SparseMatrix?
你可以举一个例子,你在稀疏数组中读取数据,将行设置到RDD中,并从这些行的笛卡尔乘积中计算出某些东西?
我有一个从scipy(300k x 100k与所有二进制值,大多为零)大型稀疏矩阵。我想将此矩阵的行设置为RDD,然后对这些行执行一些计算 - 评估每行上的函数,评估行对上的函数等。从scipy稀疏矩阵创建稀疏RDD
关键的是它很稀疏我不想爆炸集群 - 我可以将行转换为SparseVectors吗?或者也许将整个事情转换为SparseMatrix?
你可以举一个例子,你在稀疏数组中读取数据,将行设置到RDD中,并从这些行的笛卡尔乘积中计算出某些东西?
你要的唯一事情是toarray()
import numpy as np
import scipy.sparse as sps
# create a sparse matrix
row = np.array([0, 2, 2, 0, 1, 2])
col = np.array([0, 0, 1, 2, 2, 2])
data = np.array([1, 2, 3, 4, 5, 6])
sv = sps.csc_matrix((data, (row, col)), shape=(3, 3))
sv.toarray()
> array([[1, 0, 4],
> [0, 0, 5],
> [2, 3, 6]])
type(sv)
<class 'scipy.sparse.csc.csc_matrix'>
#read sv as RDD
sv_rdd = sc.parallelize(sv.toarray()) #transfer saprse to array
sv_rdd.collect()
> [array([1, 0, 4]), array([0, 0, 5]), array([2, 3, 6])]
type(sv_rdd)
> <class 'pyspark.rdd.RDD'>
最近,我有这个问题 - 我想你可以通过与SciPy的csc_matrix属性构建稀疏矩阵直接转换。 (从阳布赖恩借用)
import numpy as np
import scipy.sparse as sps
from pyspark.mllib.linalg import Matrices
# create a sparse matrix
row = np.array([0, 2, 2, 0, 1, 2])
col = np.array([0, 0, 1, 2, 2, 2])
data = np.array([1, 2, 3, 4, 5, 6])
sv = sps.csc_matrix((data, (row, col)), shape=(3, 3))
# convert to pyspark SparseMatrix
sparse_matrix = Matrices.sparse(sv.shape[0],sv.shape[1],sv.indptr,sv.indices,sv.data)
尝试使用[pyspark](https://spark.apache.org/docs/latest/api/python/pyspark.mllib.html?highlight=sparsematrix#pyspark.mllib。 linalg.SparseMatrix)。 –
@EliSadoff我正在使用pyspark,问题是我不知道要使用哪些对象或如何设置它们。 – cgreen
啊,我没有意识到这一点。我以为你想弄清楚如何从python到scala。 –