Spark数据帧到带有null的稀疏向量

Question

当我尝试在 Scala.不幸的是，vectorAssembler 无法处理 null 值。

我可以做的是替换或填充数据框的 null 值，然后创建一个 dense 向量，但这不是我想要的。

所以我考虑将我的数据框行转换为 sparse 向量。但我怎样才能做到这一点？我还没有找到 vectorAssembler 制作稀疏向量的选项。

编辑：实际上我不需要 null 在稀疏向量中，但它不应该是像 0 或任何其他值，因为它是密集向量的情况。

你有什么建议吗？

Answer 1

您可以像这样手动操作：

import org.apache.spark.SparkException
import org.apache.spark.ml.linalg.{Vector, Vectors}
import org.apache.spark.sql.SparkSession
import scala.collection.mutable.ArrayBuilder

case class Row(a: Double, b: Option[Double], c: Double, d: Vector, e: Double)

val dataset = spark.createDataFrame(
  Seq(new Row(0, None, 3.0, Vectors.dense(4.0, 5.0, 0.5), 7.0),
    new Row(1, Some(2.0), 3.0, Vectors.dense(4.0, 5.0, 0.5), 7.0))
).toDF("id", "hour", "mobile", "userFeatures", "clicked")

val sparseVectorRDD = dataset.rdd.map { row =>
  val indices = ArrayBuilder.make[Int]
  val values = ArrayBuilder.make[Double]
  var cur = 0
  row.toSeq.foreach {
    case v: Double =>
      indices += cur
      values += v
      cur += 1
    case vec: Vector =>
      vec.foreachActive { case (i, v) =>
        indices += cur + i
        values += v
      }
      cur += vec.size
    case null =>
      cur += 1
    case o =>
      throw new SparkException(s"$o of type ${o.getClass.getName} is not supported.")
  }
  Vectors.sparse(cur, indices.result(), values.result())
}

如果需要，然后将其转换回数据帧。由于 Row 对象没有经过类型检查，因此您必须手动处理它并在需要时转换为适当的类型。