使用 Java 将数组转换为 Spark DataFrame 中的 DenseVector

Question

我正在运行 Spark 2.3。我想将以下DataFrame 中的features 列从ArrayType 转换为DenseVector。我在 Java 中使用 Spark。

+---+--------------------+
| id|            features|
+---+--------------------+
|  0|[4.191401, -1.793...|
| 10|[-0.5674514, -1.3...|
| 20|[0.735613, -0.026...|
| 30|[-0.030161237, 0....|
| 40|[-0.038345724, -0...|
+---+--------------------+

root
 |-- id: integer (nullable = false)
 |-- features: array (nullable = true)
 |    |-- element: float (containsNull = false)

我已经写了以下UDF，但它似乎不起作用：

private static UDF1 toVector = new UDF1<Float[], Vector>() {

    private static final long serialVersionUID = 1L;

    @Override
    public Vector call(Float[] t1) throws Exception {

        double[] DoubleArray = new double[t1.length];
        for (int i = 0 ; i < t1.length; i++)
        {
            DoubleArray[i] = (double) t1[i];
        }   
    Vector vector = (org.apache.spark.mllib.linalg.Vector) Vectors.dense(DoubleArray);
    return vector;
    }
}

我希望将以下特征提取为向量，以便对其进行聚类。

我也在注册 UDF，然后继续调用它，如下所示：

spark.udf().register("toVector", (UserDefinedAggregateFunction) toVector);
df3 = df3.withColumn("featuresnew", callUDF("toVector", df3.col("feautres")));
df3.show();  

在运行这个 sn-p 时，我遇到了以下错误：

ReadProcessData$1 不能转换为 org.apache.spark.sql.expressions。用户定义聚合函数

Answer 1

问题在于您如何在 Spark 中注册 udf。您不应使用UserDefinedAggregateFunction，它不是udf，而是用于聚合的udaf。相反，您应该做的是：

spark.udf().register("toVector", toVector, new VectorUDT());

然后要使用注册的函数，使用：

df3.withColumn("featuresnew", callUDF("toVector",df3.col("feautres")));

udf 本身应稍作调整如下：

UDF1 toVector = new UDF1<Seq<Float>, Vector>(){

  public Vector call(Seq<Float> t1) throws Exception {

    List<Float> L = scala.collection.JavaConversions.seqAsJavaList(t1);
    double[] DoubleArray = new double[t1.length()]; 
    for (int i = 0 ; i < L.size(); i++) { 
      DoubleArray[i]=L.get(i); 
    } 
    return Vectors.dense(DoubleArray); 
  } 
};

---

请注意，在 Spark 2.3+ 中，您可以创建一个可以直接调用的 scala 样式 udf。来自这个answer：

UserDefinedFunction toVector = udf(
  (Seq<Float> array) -> /* udf code or method to call */, new VectorUDT()
);

df3.withColumn("featuresnew", toVector.apply(col("feautres")));