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?
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]|
+---+------------------+