跨语言（python 到 scala）稀疏数据 ser/deser？

【问题标题】：Cross-language (python to scala) sparse data ser/deser?跨语言（python 到 scala）稀疏数据 ser/deser？
【发布时间】：2016-03-29 19:23:04
【问题描述】：

我正在开发一个应用程序，我需要在 python 端表示/构造稀疏数据，将数据输出到存储，然后加载到 spark/scala 应用程序中。

关于我应该使用什么格式/库进行序列化/反序列化有什么建议吗？

【问题讨论】：

有没有一种标准的方法可以用支持库（除了推出我自己的库）在 json 中保存稀疏向量？目前我正在考虑使用 spark mllib 稀疏向量，但需要验证序列化格式。

标签： json scala serialization apache-spark pyspark

【解决方案1】：

嗯，mllib.Vectors 已经提供了有意义的字符串表示和fromString 方法：

from pyspark.mllib.linalg import Vectors, SparseVector

v = SparseVector(5, [0, 3], [1.0, -1.0])
str(v)

## '(5,[0,3],[1.0,-1.0])'

assert Vectors.parse(str(v)) == v

import org.apache.spark.mllib.linalg.{Vectors, Vector}

Vectors.parse("(5,[0,3],[1.0,-1.0])")
// org.apache.spark.mllib.linalg.Vector = (5,[0,3],[1.0,-1.0])

如果您想避免使用纯文本，那么 Parquet 是另一种开箱即用的选项：

(sc.parallelize([(SparseVector(5, [0, 3], [1.0, -1.0]), )])
  .toDF()
  .write
  .parquet("/tmp/foo"))

val df = sqlContext.read.parquet("/tmp/foo")
df.printSchema()
// root
// |-- _1: vector (nullable = true)

【讨论】：