使用 sparklyr 将列数据类型更改为因子答案

【问题标题】：Changing column data type to factor with sparklyr使用 sparklyr 将列数据类型更改为因子
【发布时间】：2017-05-06 08:47:36
【问题描述】：

我对 Spark 很陌生，目前正在通过 sparkly 包使用 R API 使用它。我从 hive 查询创建了一个 Spark 数据框。源表中未正确指定数据类型，我正在尝试通过利用 dplyr 包中的函数来重置数据类型。下面是我试过的代码：

prod_dev <- sdf_load_table(...)
num_var <-  c("var1", "var2"....)
cat_var <-  c("var_a","var_b", ...)

pos1 <- which(colnames(prod_dev) %in% num_var)
pos2 <- which(colnames(prod_dev) %in% cat_var)

prod_model_tbl <- prod_dev %>% 
                mutate(age = 2016- as.numeric(substr(dob_yyyymmdd,1,4))) %>%
                mutate(msa_fg = ifelse(is.na(msacode2000), 0, 1)) %>% 
                mutate(csa_fg = ifelse(is.na(csacode), 0, 1)) %>%
                mutate_each(funs(factor), pos2) %>%
                mutate_each(funs(as.numeric), pos1)

如果 prod_dev 是 R 数据帧，该代码将起作用。但是在 Spark Data 框架上使用它似乎不会产生正确的结果：

> head(prod_model_tbl)


    Source:   query [?? x 99]
    Database: spark connection master=yarn-client app=sparklyr_test local=FALSE

    Error: org.apache.spark.sql.AnalysisException: undefined function     FACTOR; line 97 pos 2248 at org.apache.spark.sql.hive.HiveFunctionRegistry....

有人可以建议如何对 Spark 数据框进行所需的更改吗？

【问题讨论】：

标签： r apache-spark dplyr apache-spark-sql sparklyr

【解决方案1】：

一般来说，您可以使用标准的 R 泛型函数进行类型转换。例如：

df <- data.frame(x=c(1, NA), y=c("-1", "2"))

copy_to(sc, df, "df", overwrite=TRUE) %>% 
  mutate(x_char = as.character(x)) %>% 
  mutate(y_numeric = as.numeric(y))

Source:   query [2 x 4]
Database: spark connection master=...

      x     y x_char y_numeric
  <dbl> <chr>  <chr>     <dbl>
1     1    -1    1.0        -1
2   NaN     2   <NA>         2

问题是 Spark 没有提供任何直接等效的 R factor。

在 Spark SQL 中，我们使用 double 类型和列元数据来表示分类变量和 ML Transformers，它们不是 SQL 的一部分，用于编码。因此，factor / as.factor 没有位置。 SparkR 在使用 ML 时提供了一些自动转换，但我不确定sparklyr 中是否有类似的机制（我知道的最接近的是ml_create_dummy_variables）。

【讨论】：