在AWS EMR上用pyspark.ml训练模型时出现KeyError，数据来自s3 bucket。

Question

我正在用pyspark.ml对AWS EMR上的一个s3 bucket上的.json数据在JupyterLab笔记本上训练一个机器学习模型。这个 bucket 不是我的，但我认为访问工作正常，因为数据预处理、特征工程等工作正常。但是当我调用 cv.fit(training_data) 函数，训练过程一直运行到接近完成（由状态栏显示），但随后抛出一个错误。

Exception in thread cell_monitor-64:
Traceback (most recent call last):
  File "/opt/conda/lib/python3.7/threading.py", line 917, in _bootstrap_inner
    self.run()
  File "/opt/conda/lib/python3.7/threading.py", line 865, in run
    self._target(*self._args, **self._kwargs)
  File "/opt/conda/lib/python3.7/site-packages/awseditorssparkmonitoringwidget-1.0-py3.7.egg/awseditorssparkmonitoringwidget/cellmonitor.py", line 178, in cell_monitor
    job_binned_stages[job_id][stage_id] = all_stages[stage_id]
KeyError: 6571

我还没有找到任何关于这个错误的信息。到底发生了什么？

这是我的流水线。

train, test = clean_df.randomSplit([0.8, 0.2], seed=42)

va1 = VectorAssembler(inputCols="vars", outputCol="vars")

scaler = StandardScaler(inputCol="to_scale", outputCol="scaled_features")

va2 = VectorAssembler(inputCols=["more_vars","scaled_features"], outputCol="features")

gbt = GBTClassifier()   

pipeline = Pipeline(stages=[va1, scaler,va2,gbt])

paramGrid = ParamGridBuilder()\
    .addGrid(gbt.maxDepth, [2, 5])\
    .addGrid(gbt.maxIter, [10, 100])\
    .build() 

crossval = CrossValidator(estimator=pipeline,
                          estimatorParamMaps=paramGrid,
                          evaluator=MulticlassClassificationEvaluator(metricName='f1'),
                          numFolds=3)

cvModel = crossval.fit(train)

其次，我有一个预感，我可能通过在Python 3.8中解决；我可以在EMR上安装Python 3.8吗？

Answer 1

我们也有同样的问题。我们使用的是Hyperopt，我们只是添加了try except来避免这个问题。错误一直出现，但它一直在运行.似乎错误影响了EMR笔记本上的spark作业内显示进度的条形图，但它完成了管道。