Pyspark +关联规则挖掘：如何将数据帧转换为适合频繁模式挖掘的格式？

Question

我正在尝试使用pyspark来进行关联规则挖掘。假设我的数据如下：

myItems=spark.createDataFrame([(1,'a'),
                               (1,'b'),
                               (1,'d'),
                               (1,'c'),
                               (2,'a'),
                               (2,'c'),],
                              ['id','item']) 

但根据https://spark.apache.org/docs/2.2.0/ml-frequent-pattern-mining.html，格式应该是：

df = spark.createDataFrame([(1, ['a', 'b', 'd','c']),
                            (2, ['a', 'c'])], 
                           ["id", "items"])

所以我需要将数据从垂直传输到水平，所有ID的长度都不同。

谁能帮助我如何转移，还是有其他方法去做？

Answer 1

让你对myItems的原始定义有效。 collect_list将通过id通过group数据帧后提供帮助。

>>> myItems=spark.createDataFrame([(1,'a'),
...                                (1,'b'),
...                                (1,'d'),
...                                (1,'c'),
...                                (2,'a'),
...                                (2,'c'),],
...                               ['id','item'])
>>> from pyspark.sql.functions import collect_list
>>> myItems.groupBy(myItems.id).agg(collect_list('item')).show()
+---+------------------+
| id|collect_list(item)|
+---+------------------+
|  1|      [a, b, d, c]|
|  2|            [a, c]|
+---+------------------+