PySpark 中的 PCA 分析

Question

查看http://spark.apache.org/docs/latest/mllib-dimensionality-reduction.html。这些示例似乎只包含 Java 和 Scala。

Spark MLlib 是否支持 Python 的 PCA 分析？如果是这样，请给我举个例子。如果没有，如何将 Spark 与 scikit-learn 结合起来？

Answer 1

火花 >= 1.5.0

虽然 PySpark 1.5 引入了分布式数据结构 (pyspark.mllib.linalg.distributed)，但看起来 API 相当有限，并且没有实现 computePrincipalComponents 方法。

虽然可以使用from pyspark.ml.feature.PCA 或pyspark.mllib.feature.PCA。在第一种情况下，预期输入是带有向量列的数据框：

from pyspark.ml.feature import PCA as PCAml
from pyspark.ml.linalg import Vectors  # Pre 2.0 pyspark.mllib.linalg

df = sqlContext.createDataFrame([
   (Vectors.dense([1, 2, 0]),),
   (Vectors.dense([2, 0, 1]),),
   (Vectors.dense([0, 1, 0]),)], ("features", ))

pca = PCAml(k=2, inputCol="features", outputCol="pca")
model = pca.fit(df)
transformed = model.transform(df)

在 Spark 2.0 或更高版本中，您应该使用 pyspark.ml.linalg.Vector 代替 pyspark.mllib.linalg.Vector。

对于mllib 版本，您需要RDD 或Vector：

from pyspark.mllib.feature import PCA as PCAmllib

rdd = sc.parallelize([
    Vectors.dense([1, 2, 0]),
    Vectors.dense([2, 0, 1]),
    Vectors.dense([0, 1, 0])])

model = PCAmllib(2).fit(rdd)
transformed = model.transform(rdd)

火花

PySpark

操作顺序或多或少类似于下面的顺序。分布式步骤后跟操作名称，本地由“*”和可选方法。

1. 创建RDD[Vector]，其中每个元素都是来自输入矩阵的单行。您可以为每一行使用numpy.ndarray (prallelize)
2. 按列计算统计信息 (reduce)
3. 使用 2. 的结果使矩阵居中 (map)
4. 计算每一行的外积 (map outer)
5. 对结果求和以获得协方差矩阵 (reduce +)
6. 收集和计算特征分解 * (numpy.linalg.eigh)
7. 选择前 n 个特征向量 *
8. 投影数据 (map)

关于 Sklearn。您可以像往常一样在驱动程序或工作人员上本地使用 NumPy（它已在 Mllib 中使用）、SciPy、Scikit。