为什么 RDD[Row].map 中的 getInt 会给出“错误：值 getInt 不是 Any 的成员”？答案

【问题标题】：Why does getInt inside RDD[Row].map give "error: value getInt is not a member of Any"?为什么 RDD[Row].map 中的 getInt 会给出“错误：值 getInt 不是 Any 的成员”？
【发布时间】：2017-10-16 15:43:51
【问题描述】：

我是 Scala-Spark 的新手，但我需要用它来开发我的最终项目学士学位。

我正在尝试从数据中构建 K-means 算法。数据来自kaggle：https://www.kaggle.com/murderaccountability/homicide-reports

我读取了包含数据的文件。创建一个案例类，如：

case class CrimeReport (Record_ID: String, Agency_Name: String, 
City: String, State: String, Year: Int, Month: Int, Crime_Type: String, 
Crime_Solved: String, Victim_Sex: String, Victim_Age: Int, Victim_Race: String, 
Perpetrator_Sex: String, Perpetrator_Age: String, Perpetrator_Race: String, Relationship: String, Victim_Count: String)

我将我的数据与案例类进行映射。例如，月份是字符串，我需要 Int（在我的特征向量之后创建）我定义了一个函数来解析这个：

    //Parsear Month:    String  ===>    Int
    def parseMonthToNumber(month: String) : Int = {
        var result = 0
        month match {
            case "January" => result = 1
            case "February" => result = 2
            case "March" => result = 3
            case "April" => result = 4
            case "May" => result = 5
            case "June" => result = 6
            case "July" => result = 7
            case "August" => result = 8
            case "September" => result = 9
            case "October" => result = 10
            case "November" => result = 11
            case _ => result = 12
        }
        result
    }

    data = sc.textFile (... .csv)
    val data_split = data.map(line => line.split(","))

    val allData = data_split.map(p => CrimeReport(p(0).toString,
    p(1).toString, p(2).toString, p(3).toString, parseInt(p(4)),
     parseMonthToNumber(p(5)), p(6).toString, p(7).toString, p(8).toString,
     parseInt(p(9)), p(10).toString, p(11).toString, p(12).toString,
     p(13).toString, p(14).toString, p(15).toString))
//DataFrame
val allDF = allData.toDF()

//convert data to RDD which will be passed to KMeans
val rowsRDD = allDF.rdd.map( x => 

                (x(0).getString, x.getString(1), x.getString(2), x.getString(3), x(4).getInt, x(5).getInt, x.getString(6), x.getString(7), x.getString(8), x(9).getInt, x.getString(10), x.getString(11), x.getString(12), x.getString(13), x.getString(14), x.getString(15))
                )

但我收到此错误：

error: value getInt is not a member of Any
                       (x(0).getString, x.getString(1), x.getString(2), x.getString(3), x(4).getInt, x(5).getInt, x.getString(6), x.getString(7), x.getString(8), x(9).getInt, x.getString(10), x.getString(11), x.getString(12), x.getString(13), x.getString(14), x.getString(15))
                                                                                                          ^

为什么？

【问题讨论】：

标签： scala apache-spark k-means

【解决方案1】：

我假设是最新版本的Spark 2.1.1。

我先问你一个问题，既然有DataFrame-based KMeans implementation in Spark，为什么要将DataFrame转换为RDD[Row]来执行KMeans。

阅读KMeans in Spark MLlib。

因为Spark MLlib's RDD-based API is deprecated，我不会这样做：

此页面记录了基于 RDD 的 API（spark.mllib 包）的 MLlib 指南部分。请参阅基于 DataFrame 的 API（spark.ml 包）的 MLlib 主指南，它现在是 MLlib 的主要 API。

话虽如此，让我们看看你面临什么问题。

如果我是你（并且无视坚持使用 Spark MLlib 的基于 DataFrame 的 API 的建议），我会执行以下操作：

// val allDF = allData.toDF()
val allDF = allData.toDS

使用上述方法，您将拥有一个Dataset[CrimeReport]，它比纯Row 更令人愉快。

完成转换后，你可以做

val rowsRDD = allDF.rdd.map { x => ... }

x 属于您的类型 CrimeReport，并且相信您会知道如何处理它。

直接回答你的问题，错误原因：

错误：值 getInt 不是 Any 的成员

x(5)（和其他）是 Any 类型，所以您必须将其转换为您的类型，或者只需将 x(5) 替换为 x.getInt(5)。

查看Row 的scaladoc。

【讨论】：

非常感谢！ :) 在您的帮助下，我能够意识到错误在哪里。有两个：首先，将DataFrame替换为DataSet；另一个是在 val rowsRDD = allDF.rdd.map { x => ... } 我必须用列的名称调用属性，即用我在案例类中定义的名称进行调用，没有位置（例如 x(5),x(6),...)

【解决方案2】：

当我们在案例类中处理字符串数据类型而不是双精度时，我们如何使用 kmeans？我拥有的这段代码将无法工作，因为向量需要双倍。

// Passing in Crime_Type, Crime_Solved, Perpetrator_Race to KMeans as 
the attributes we want to use to assign the instance to a cluster.

val vectors = allDF.rdd.map(r => Vectors.dense( r.Crime_Type, r.Crime_Solved, r.Perpetrator_Race ))

//KMeans model with 2 clusters and 10 iterations

val kMeansModel = KMeans.train(vectors, 2, 10)

【讨论】：

我在新评论中回复你，只是为了你能清楚地看到格式。

【解决方案3】：

您应该将要在方法 Vector.dense 中使用的属性定义为 int/double。

之后，当您将案例类与文件中的数据映射时，您应该调用之前定义的函数。正如你在这里看到的：

val data_split = data.map(line => line.split(","))

val allData = data_split.map(p => 
                                CrimeReport(p(0).toString, p(1).toString, p(2).toString, p(3).toString, parseInt(p(4)), parseMonthToNumber(p(5)), p(6).toString, parseSolved(p(7)), parseSex(p(8)), parseInt(p(9)), parseRaceToNumber(p(10)), p(11).toString, p(12).toString, p(13).toString, p(14).toString, p(15).toString))

功能有：

//Filter and Cleaning data      =>    Crime Solved
def parseSolved (solved: String): Int = {
    var result = 0
    solved match {
        case "Yes" => result = 1
        case _ => result = 0
     }
     result
}

或者：

//Parsear   Victim_Race:    String  ===>    Int
def parseRaceToNumber (crType : String) : Int = {
    var result = 0
    val race = crType.split("/")
    race(0) match {
        case "White" => result = 1
        case "Black" => result = 2
        case "Asian" => result = 3
        case "Native American" => result = 4
        case _ => result = 0
    }
    result
}

【讨论】：