Spark ML VectorAssembler 返回奇怪的输出

Question

我遇到了来自 VectorAssembler 的一个非常奇怪的行为，我想知道是否有其他人看到过这个。

我的场景非常简单。我从CSV 文件中解析数据，其中有一些标准的Int 和Double 字段，并且我还计算了一些额外的列。我的解析函数返回这个：

val joined = countPerChannel ++ countPerSource //two arrays of Doubles joined
(label, orderNo, pageNo, Vectors.dense(joinedCounts))

我的主函数使用这样的解析函数：

val parsedData = rawData.filter(row => row != header).map(parseLine)
val data = sqlContext.createDataFrame(parsedData).toDF("label", "orderNo", "pageNo","joinedCounts")

然后我像这样使用VectorAssembler：

val assembler = new VectorAssembler()
                           .setInputCols(Array("orderNo", "pageNo", "joinedCounts"))
                           .setOutputCol("features")

val assemblerData = assembler.transform(data)

因此，当我在进入VectorAssembler 之前打印一行数据时，它看起来像这样：

[3.2,17.0,15.0,[0.0,0.0,0.0,0.0,3.0,0.0,0.0,1.0,0.0,0.0,0.0,0.0,4.0,0.0,0.0,2.0]]

在 VectorAssembler 的转换函数之后，我打印同一行数据并得到：

[3.2,(18,[0,1,6,9,14,17],[17.0,15.0,3.0,1.0,4.0,2.0])]

到底发生了什么？ VectorAssembler 做了什么？我仔细检查了所有计算，甚至遵循了简单的 Spark 示例，但看不出我的代码有什么问题。你可以吗？

Answer 1

输出没有什么奇怪的。你的向量似乎有很多零元素，因此spark 使用了它的稀疏表示。

进一步解释：

您的矢量似乎由 18 个元素（维度）组成。

该向量中的索引[0,1,6,9,14,17] 包含非零元素，它们按顺序排列[17.0,15.0,3.0,1.0,4.0,2.0]

稀疏向量表示是一种节省计算空间的方法，因此计算更容易、更快。更多关于稀疏表示here。

当然，您可以将稀疏表示转换为密集表示，但这是有代价的。

如果您有兴趣了解功能重要性，建议您查看this。