假设我有40个连续(DoubleType
)变量,我使用ft_quantile_discretizer
创建了四分位数。识别所有变量的四分位数非常快,因为该函数支持一次执行多个变量。
接下来,我想要一个热门代码那些分段变量,但是目前没有一个热代码支持所有这些变量的功能。因此,我通过循环遍历变量,为每个一个一个的分块变量管道ft_string_indexer
,ft_one_hot_encoder
和sdf_separate_column
。这可以完成工作。但是,随着循环的进行,它会大大减慢。我认为它的内存不足,但无法弄清楚如何编程,以便它以相同的速度在变量上执行。
如果q_vars
是连续变量的变量名称(例如40个)的字符数组,那么如何以更加火花的方式对其进行编码呢?
for (v in q_vars) {
data_sprk_q<-data_sprk_q %>%
ft_string_indexer(v,paste0(v,"b"),"keep",string_order_type = "alphabetAsc") %>%
ft_one_hot_encoder(paste0(v,"b"),paste0(v,"bc")) %>%
sdf_separate_column(paste0(v,"bc"),into=q_vars_cat_list[[v]])
}
我也尝试将所有引用的变量作为单个大型管道执行,但这也没有解决问题,所以我认为它与循环本身没有任何关系。
test_text<-paste0("data_sprk_q<-data_sprk_q %>% ", paste0("ft_string_indexer('",q_vars,"',paste0('",q_vars,"','b'),'keep',string_order_type = 'alphabetAsc') %>% ft_one_hot_encoder(paste0('",q_vars,"','b'),paste0('",q_vars,"','bc')) %>% sdf_separate_column(paste0('",q_vars,"','bc'),into=",q_vars_cat_list,")",collapse=" %>% "))
eval(parse(text=test_text))
任何帮助,将不胜感激。
通常情况下,由于Catalyst优化器的线性复杂性比线性更差,因此预计会出现长ML管线的一些(有时是实质性的)减速。如果没有将流程分成多个流水线,并打破其间的血统(使用检查点并将数据写入持久性存储并将其加载回来),那么目前您无法做到这一点。
但是,您当前的代码在此基础上添加了许多问题:
StringIndexer
ft_string_indexer(v ,paste0(v, "b"), "keep", string_order_type = "alphabetAsc")
只需复制QuantileDiscretizer
指定的标签。在使用词典顺序时,使用更多级别的行为变得更加有用。sdf_separate_column
的应用。它
通过增加表达式的数量来增加计算执行计划的成本。
通过将稀疏数据转换为密集数据来增加处理所需的内存量。
在内部sparklyr
在每个索引上使用UserDefinedFunction
,有效地导致同一行的重新分配,解码和垃圾收集给集群带来了很大的压力。
最后但并非最不重要的是,它丢弃了Spark ML广泛使用的列元数据。
我强烈建议不要在这里使用此功能。根据您的评论,您似乎希望在将结果传递给其他算法之前对列进行子集 - 为此您可以使用VectorSlicer
。总的来说,你可以重写你的管道
set.seed(1)
df <- copy_to(sc, tibble(x=rnorm(100), y=runif(100), z=rpois(100, 1)))
input_cols <- colnames(df)
discretized_cols <- paste0(input_cols, "_d")
encoded_cols <- paste0(discretized_cols, "_e") %>% setNames(discretized_cols)
discretizer <- ft_quantile_discretizer(
sc, input_cols = input_cols, output_cols = discretized_cols, num_buckets = 10
)
encoders <- lapply(
discretized_cols,
function(x) ft_one_hot_encoder(sc, input_col=x, output_col=encoded_cols[x])
)
transformed_df <- do.call(ml_pipeline, c(list(discretizer), encoders)) %>%
ml_fit(df) %>%
ml_transform(df)
并在需要时应用ft_vector_slicer
。例如,要从x
获取与第一个,第三个和第六个桶相对应的值,您可以:
transformed_df %>%
ft_vector_slicer(
input_col="x_d_e", output_col="x_d_e_s", indices=c(0, 2, 5))