如何将数组（即列表）列转换为Vector

Question

Short version of the question!

考虑以下片段（假设spark已设置为某些SparkSession）：

from pyspark.sql import Row
source_data = [
    Row(city="Chicago", temperatures=[-1.0, -2.0, -3.0]),
    Row(city="New York", temperatures=[-7.0, -7.0, -5.0]), 
]
df = spark.createDataFrame(source_data)

请注意，temperature字段是浮动列表。我想将这些浮点数列表转换为MLlib类型Vector，我希望这个转换使用基本的DataFrame API而不是通过RDD表达（这是低效的，因为它将所有数据从JVM发送到Python，处理是在Python中完成的，我们没有得到Spark的Catalyst优化器，yada yada的好处。我该怎么做呢？特别：

1. 有没有办法让直接演员工作？请参阅下面的详细信息（以及尝试解决方法失败）？或者，是否有其他操作具有我之后的效果？
2. 从我在下面建议的两种替代解决方案（UDF vs爆炸/重新组合列表中的项目）中哪种更有效？或者是否有其他几乎但不是非常正确的替代品比其中任何一种更好？

A straight cast doesn't work

这就是我期望的“正确”解决方案。我想将列的类型从一种类型转换为另一种类型，所以我应该使用强制转换。作为一个上下文，让我提醒您将其转换为另一种类型的正常方法：

from pyspark.sql import types
df_with_strings = df.select(
    df["city"], 
    df["temperatures"].cast(types.ArrayType(types.StringType()))),
)

现在例如df_with_strings.collect()[0]["temperatures"][1]是'-7.0'。但是如果我施放到ml Vector那么事情就不那么顺利了：

from pyspark.ml.linalg import VectorUDT
df_with_vectors = df.select(df["city"], df["temperatures"].cast(VectorUDT()))

这给出了一个错误：

pyspark.sql.utils.AnalysisException: "cannot resolve 'CAST(`temperatures` AS STRUCT<`type`: TINYINT, `size`: INT, `indices`: ARRAY<INT>, `values`: ARRAY<DOUBLE>>)' due to data type mismatch: cannot cast ArrayType(DoubleType,true) to org.apache.spark.ml.linalg.VectorUDT@3bfc3ba7;;
'Project [city#0, unresolvedalias(cast(temperatures#1 as vector), None)]
+- LogicalRDD [city#0, temperatures#1]
"

哎呀！任何想法如何解决这一问题？

Possible alternatives

备选方案1：使用VectorAssembler

有一个Transformer似乎非常适合这项工作：VectorAssembler。它需要一列或多列并将它们连接成一个向量。不幸的是，它只需要Vector和Float列，而不是Array列，所以以下不起作用：

from pyspark.ml.feature import VectorAssembler
assembler = VectorAssembler(inputCols=["temperatures"], outputCol="temperature_vector")
df_fail = assembler.transform(df)

它给出了这个错误：

pyspark.sql.utils.IllegalArgumentException: 'Data type ArrayType(DoubleType,true) is not supported.'

我能想到的最好的工作是将列表分成多列，然后使用VectorAssembler将它们全部重新收集起来：

from pyspark.ml.feature import VectorAssembler
TEMPERATURE_COUNT = 3
assembler_exploded = VectorAssembler(
    inputCols=["temperatures[{}]".format(i) for i in range(TEMPERATURE_COUNT)], 
    outputCol="temperature_vector"
)
df_exploded = df.select(
    df["city"], 
    *[df["temperatures"][i] for i in range(TEMPERATURE_COUNT)]
)
converted_df = assembler_exploded.transform(df_exploded)
final_df = converted_df.select("city", "temperature_vector")

这似乎是理想的，除了TEMPERATURE_COUNT超过100，有时超过1000.（另一个问题是，如果你事先不知道数组的大小，代码会更复杂，虽然这是不是我的数据的情况。）Spark是否实际上生成了具有那么多列的中间数据集，或者它只是认为这是单个项目瞬时通过的中间步骤（或者实际上当它看到时它完全优化了这个步骤）这些列的唯一用途是组装成一个矢量）？

备选方案2：使用UDF

一个相当简单的替代方法是使用UDF进行转换。这让我可以在一行代码中直接表达我想要做的事情，并且不需要创建具有疯狂数量列的数据集。但是所有这些数据都必须在Python和JVM之间进行交换，并且每个单独的数字都必须由Python处理（这对于迭代单个数据项来说是非常慢的）。这是看起来如何：

from pyspark.ml.linalg import Vectors, VectorUDT
from pyspark.sql.functions import udf
list_to_vector_udf = udf(lambda l: Vectors.dense(l), VectorUDT())
df_with_vectors = df.select(
    df["city"], 
    list_to_vector_udf(df["temperatures"]).alias("temperatures")
)

Ignorable remarks

这个漫无边际问题的其余部分是我在试图找到答案时想出的一些额外的事情。大多数读这篇文章的人可能会跳过它们。

不是解决方案：使用Vector开始

在这个简单的例子中，可以使用矢量类型开始创建数据，但当然我的数据实际上不是我正在并行化的Python列表，而是从数据源读取。但是为了记录，这是看起来如何：

from pyspark.ml.linalg import Vectors
from pyspark.sql import Row
source_data = [
    Row(city="Chicago", temperatures=Vectors.dense([-1.0, -2.0, -3.0])),
    Row(city="New York", temperatures=Vectors.dense([-7.0, -7.0, -5.0])),
]
df = spark.createDataFrame(source_data)

低效的解决方案：使用map()

一种可能性是使用RDD map()方法将列表转换为Vector。这类似于UDF的想法，除了它更糟糕，因为序列化等的成本是由每行中的所有字段引起的，而不仅仅是正在操作的字段。为了记录，这是解决方案的样子：

df_with_vectors = df.rdd.map(lambda row: Row(
    city=row["city"], 
    temperatures=Vectors.dense(row["temperatures"])
)).toDF()

尝试强制转换的变通方法失败

在绝望中，我注意到Vector在内部由具有四个字段的结构表示，但是使用来自该类型结构的传统强制转换也不起作用。这是一个例子（我使用udf构建结构但是udf不是重要的部分）：

from pyspark.ml.linalg import Vectors, VectorUDT
from pyspark.sql.functions import udf
list_to_almost_vector_udf = udf(lambda l: (1, None, None, l), VectorUDT.sqlType())
df_almost_vector = df.select(
    df["city"], 
    list_to_almost_vector_udf(df["temperatures"]).alias("temperatures")
)
df_with_vectors = df_almost_vector.select(
    df_almost_vector["city"], 
    df_almost_vector["temperatures"].cast(VectorUDT())
)

这给出了错误：

pyspark.sql.utils.AnalysisException: "cannot resolve 'CAST(`temperatures` AS STRUCT<`type`: TINYINT, `size`: INT, `indices`: ARRAY<INT>, `values`: ARRAY<DOUBLE>>)' due to data type mismatch: cannot cast StructType(StructField(type,ByteType,false), StructField(size,IntegerType,true), StructField(indices,ArrayType(IntegerType,false),true), StructField(values,ArrayType(DoubleType,false),true)) to org.apache.spark.ml.linalg.VectorUDT@3bfc3ba7;;
'Project [city#0, unresolvedalias(cast(temperatures#5 as vector), None)]
+- Project [city#0, <lambda>(temperatures#1) AS temperatures#5]
+- LogicalRDD [city#0, temperatures#1]
"

Answer 1

就个人而言，我会使用Python UDF并且不会为其他任何事情烦恼：

• Vectors不是本机SQL类型，因此会有这样或那样的性能开销。特别是这个过程需要两个步骤，其中数据首先是converted from external type to row，然后是from row to internal representation using generic RowEncoder。
• 任何下游ML Pipeline都比简单转换贵得多。而且，它需要与上述方法相反的方法

但如果你真的想要其他选择，你可以：

• 带有Python包装器的Scala UDF： 按照项目网站上的说明安装sbt。 使用以下结构创建Scala包：

  .
  ├── build.sbt
  └── udfs.scala

  编辑build.sbt（调整以反映Scala和Spark版本）：

  scalaVersion := "2.11.8"
  
  libraryDependencies ++= Seq(
    "org.apache.spark" %% "spark-sql" % "2.1.0",
    "org.apache.spark" %% "spark-mllib" % "2.1.0"
  )

  编辑udfs.scala：

  package com.example.spark.udfs
  
  import org.apache.spark.sql.functions.udf
  import org.apache.spark.ml.linalg.DenseVector
  
  object udfs {
    val as_vector = udf((xs: Seq[Double]) => new DenseVector(xs.toArray))
  }

  包： sbt package 并包括（或等同于Scala vers： $PROJECT_ROOT/target/scala-2.11/udfs_2.11-0.1-SNAPSHOT.jar 作为--driver-class-path在启动shell /提交应用程序时的参数。 在PySpark中定义一个包装器：

  from pyspark.sql.column import _to_java_column, _to_seq, Column
  from pyspark import SparkContext
  
  def as_vector(col):
      sc = SparkContext.getOrCreate()
      f = sc._jvm.com.example.spark.udfs.udfs.as_vector()
      return Column(f.apply(_to_seq(sc, [col], _to_java_column)))

  测试：

  with_vec = df.withColumn("vector", as_vector("temperatures"))
  with_vec.show()

  +--------+------------------+----------------+
  |    city|      temperatures|          vector|
  +--------+------------------+----------------+
  | Chicago|[-1.0, -2.0, -3.0]|[-1.0,-2.0,-3.0]|
  |New York|[-7.0, -7.0, -5.0]|[-7.0,-7.0,-5.0]|
  +--------+------------------+----------------+
  
  with_vec.printSchema()

  root
   |-- city: string (nullable = true)
   |-- temperatures: array (nullable = true)
   |    |-- element: double (containsNull = true)
   |-- vector: vector (nullable = true)

• 将数据转储为反映DenseVector架构的JSON格式并将其读回：

  from pyspark.sql.functions import to_json, from_json, col, struct, lit
  from pyspark.sql.types import StructType, StructField
  from pyspark.ml.linalg import VectorUDT
  
  json_vec = to_json(struct(struct(
      lit(1).alias("type"),  # type 1 is dense, type 0 is sparse
      col("temperatures").alias("values")
  ).alias("v")))
  
  schema = StructType([StructField("v", VectorUDT())])
  
  with_parsed_vector = df.withColumn(
      "parsed_vector", from_json(json_vec, schema).getItem("v")
  )
  
  with_parsed_vector.show()

  +--------+------------------+----------------+
  |    city|      temperatures|   parsed_vector|
  +--------+------------------+----------------+
  | Chicago|[-1.0, -2.0, -3.0]|[-1.0,-2.0,-3.0]|
  |New York|[-7.0, -7.0, -5.0]|[-7.0,-7.0,-5.0]|
  +--------+------------------+----------------+

  with_parsed_vector.printSchema()

  root
   |-- city: string (nullable = true)
   |-- temperatures: array (nullable = true)
   |    |-- element: double (containsNull = true)
   |-- parsed_vector: vector (nullable = true)

Answer 2

我遇到了和你一样的问题，我这样做了。这种方式包括RDD转换，因此不是性能关键，但它可以工作。

from pyspark.sql import Row
from pyspark.ml.linalg import Vectors

source_data = [
    Row(city="Chicago", temperatures=[-1.0, -2.0, -3.0]),
    Row(city="New York", temperatures=[-7.0, -7.0, -5.0]), 
]
df = spark.createDataFrame(source_data)

city_rdd = df.rdd.map(lambda row:row[0])
temp_rdd = df.rdd.map(lambda row:row[1])
new_df = city_rdd.zip(temp_rdd.map(lambda x:Vectors.dense(x))).toDF(schema=['city','temperatures'])

new_df

结果是，

DataFrame[city: string, temperatures: vector]