添加两个 RDD[mllib.linalg.Vector]

Question

我需要添加两个存储在两个文件中的矩阵。

latest1.txt和latest2.txt的内容有下一个str：

1 2 3 4 5 6 7 8 9

我正在阅读这些文件如下：

scala> val rows = sc.textFile(“latest1.txt”).map { line => val values = line.split(‘ ‘).map(_.toDouble)
    Vectors.sparse(values.length,values.zipWithIndex.map(e => (e._2, e._1)).filter(_._2 != 0.0))
}

scala> val r1 = rows
r1: org.apache.spark.rdd.RDD[org.apache.spark.mllib.linalg.Vector] = MappedRDD[2] at map at :14

scala> val rows = sc.textFile(“latest2.txt”).map { line => val values = line.split(‘ ‘).map(_.toDouble)
    Vectors.sparse(values.length,values.zipWithIndex.map(e => (e._2, e._1)).filter(_._2 != 0.0))
}

scala> val r2 = rows
r2: org.apache.spark.rdd.RDD[org.apache.spark.mllib.linalg.Vector] = MappedRDD[2] at map at :14

我想添加 r1、r2。那么，有没有办法在 Apache-Spark 中添加这两个 RDD[mllib.linalg.Vector]s。

Answer 1

这实际上是一个很好的问题。我经常使用 mllib，但没有意识到这些基本的线性代数运算不容易访问。

关键在于，底层的 breeze 向量具有您所期望的所有线性代数操作 - 当然包括您特别提到的基本元素加法。

然而，微风的实现是通过以下方式对外界隐藏的：

[private mllib]

那么，从外部世界/公共 API 的角度来看，我们如何访问这些原语？

其中一些已经暴露：例如平方和：

/**
 * Returns the squared distance between two Vectors.
 * @param v1 first Vector.
 * @param v2 second Vector.
 * @return squared distance between two Vectors.
 */
def sqdist(v1: Vector, v2: Vector): Double = { 
  ...
}

然而，这些可用方法的选择是有限的——事实上不包括基本操作，包括元素加法、减法、乘法等。

所以这是我能看到的最好的：

• 将向量转换为微风：
• 在微风中执行矢量运算
• 从微风转换回 mllib 向量

这里是一些示例代码：

val v1 = Vectors.dense(1.0, 2.0, 3.0)
val v2 = Vectors.dense(4.0, 5.0, 6.0)
val bv1 = new DenseVector(v1.toArray)
val bv2 = new DenseVector(v2.toArray)

val vectout = Vectors.dense((bv1 + bv2).toArray)
vectout: org.apache.spark.mllib.linalg.Vector = [5.0,7.0,9.0]

Answer 2

以下代码公开了 Spark 的 asBreeze 和 fromBreeze 方法。与使用vector.toArray 相比，此解决方案支持SparseVector。请注意，Spark 将来可能会更改其 API，并且已经将 toBreeze 重命名为 asBreeze。

package org.apache.spark.mllib.linalg
import breeze.linalg.{Vector => BV}
import org.apache.spark.sql.functions.udf

/** expose vector.toBreeze and Vectors.fromBreeze
  */
object VectorUtils {

  def fromBreeze(breezeVector: BV[Double]): Vector = {
    Vectors.fromBreeze( breezeVector )
  }

  def asBreeze(vector: Vector): BV[Double] = {
    // this is vector.asBreeze in Spark 2.0
    vector.toBreeze
  }

  val addVectors = udf {
    (v1: Vector, v2: Vector) => fromBreeze( asBreeze(v1) + asBreeze(v2) )
  }

}

有了这个你可以df.withColumn("xy", addVectors($"x", $"y"))。