pyspark ML LabeledPoint 不适用于 LinearRegression答案

【问题标题】：pyspark ML LabeledPoint not working with LinearRegressionpyspark ML LabeledPoint 不适用于 LinearRegression
【发布时间】：2021-04-01 07:38:06
【问题描述】：

我正在使用 pyspark 研究 Spark 3.0.1，并且已经为使用简单的 OLS 回归设置了一些数据

data = results.select('OrderMonthYear', 'SaleAmount').rdd.map(lambda row: LabeledPoint(row[1], [row[0]])).toDF()

OrderMonthYear 是我的特征列 (int)，SaleAmount 是响应 (float)。 LabeledPoint 方法是从 pyspark.mllib.regression 导入的。然后我尝试用

拟合回归模型

from pyspark.ml.regression import LinearRegression
lr = LinearRegression()
modelA = lr.fit(data, {lr.regParam:0.0})

获取此异常

IllegalArgumentException: requirement failed: Column features must be of type struct<type:tinyint,size:int,indices:array<int>,values:array<double>> but was actually struct<type:tinyint,size:int,indices:array<int>,values:array<double>>.

这显然不是很有帮助，因为所需和传递的功能似乎是相同的结构。我在网上搜索过，只为 java 或为自己构建结构的人找到了这个问题的答案。该异常是从一个 util 函数中抛出的，该函数刚刚抛出了一个 java 异常 (#Hide where the exception came from that shows a non-Pythonic JVM exception message.)，所以我无法进一步调试。

【问题讨论】：

标签： python apache-spark pyspark apache-spark-mllib apache-spark-ml

【解决方案1】：

MLlib 和基于 RDD 的 MLlib 函数已弃用。我建议使用 ML 的向量汇编器：

from pyspark.ml.feature import VectorAssembler
from pyspark.ml.regression import LinearRegression

data = spark.createDataFrame([[0,1],[1,2],[2,3]]).toDF('OrderMonthYear', 'SaleAmount')

va = VectorAssembler(inputCols=['SaleAmount'], outputCol='features')
data2 = va.transform(data)

lr = LinearRegression(labelCol='OrderMonthYear')
model = lr.fit(data2)

【讨论】：

谢谢。我正在关注的培训视频是 2.0.1，所以我看到很多变化。我很高兴看到 RDD 函数被弃用。

【解决方案2】：

对于学习同一 LI 学习课程的其他人，基于对上述已接受答案的一些修改，以便更符合我在课程中看到的内容，Cmd 4 单元格应如下所示：

# convenience for specifying schema
from pyspark.ml.feature import VectorAssembler
 
data = VectorAssembler(inputCols=['OrderMonthYear'], outputCol='features').transform(results.select("OrderMonthYear", "SaleAmount")).drop('OrderMonthYear').withColumnRenamed('SaleAmount', 'label')
  
display(data)

或者，您也可以使用以下方法：

from pyspark.ml.linalg import Vectors
data = results.rdd.map(lambda r: (Vectors.dense(r[0]), r[1])).toDF(["features","label"])
display(data)

那么你应该很高兴。请注意，您还需要在笔记本 4.4 和 4.5 中对 Cmd 4 进行相同的更改。希望这会有所帮助！

【讨论】：