PySpark，决策树（Spark 2.0.0）

Question

我是 Spark 的新手（使用 PySpark）。我尝试从here (link) 运行决策树教程。我执行代码：

from pyspark.ml import Pipeline
from pyspark.ml.classification import DecisionTreeClassifier
from pyspark.ml.feature import StringIndexer, VectorIndexer
from pyspark.ml.evaluation import MulticlassClassificationEvaluator
from pyspark.mllib.util import MLUtils

# Load and parse the data file, converting it to a DataFrame.
data = MLUtils.loadLibSVMFile(sc, "data/mllib/sample_libsvm_data.txt").toDF()
labelIndexer = StringIndexer(inputCol="label", outputCol="indexedLabel").fit(data)

# Now this line fails
featureIndexer =\
    VectorIndexer(inputCol="features", outputCol="indexedFeatures", maxCategories=4).fit(data)

我收到错误消息：

IllegalArgumentException: u'requirement failed: 列特征必须是 org.apache.spark.ml.linalg.VectorUDT@3bfc3ba7 类型，但实际上是 org.apache.spark.mllib.linalg.VectorUDT@f71b0bce。'

在网上搜索此错误时，我找到了一个答案：

使用
from pyspark.ml.linalg import Vectors, VectorUDT
而不是
from pyspark.mllib.linalg import Vectors, VectorUDT

这很奇怪，因为我没有使用它。此外，将此导入添加到我的代码中并没有解决任何问题，我仍然遇到同样的错误。

我不太清楚如何调试这种情况。在查看原始数据时，我看到：

data.show()
+--------------------+-----+
|            features|label|
+--------------------+-----+
|(692,[127,128,129...|  0.0|
|(692,[158,159,160...|  1.0|
|(692,[124,125,126...|  1.0|
|(692,[152,153,154...|  1.0|

这看起来像一个列表，以'('开头。

我不知道如何解决这个问题，甚至调试。

Answer 1

问题的根源似乎是执行 spark 1.5.2。 spark 2.0.0 上的示例（请参阅下面的 spark 2.0 示例）。

spark.ml 和 spark.mllib 的区别

从 Spark 2.0 开始，spark.mllib 包中基于 RDD 的 API 已进入维护模式。 Spark 的主要机器学习 API 现在是 spark.ml 包中基于 DataFrame 的 API。

更多详情可以在这里找到：http://spark.apache.org/docs/latest/ml-guide.html

使用 spark 2.0 请尝试 Spark 2.0.0 示例 (https://spark.apache.org/docs/2.0.0/mllib-decision-tree.html)

from pyspark.mllib.tree import DecisionTree, DecisionTreeModel
from pyspark.mllib.util import MLUtils

# Load and parse the data file into an RDD of LabeledPoint.
data = MLUtils.loadLibSVMFile(sc, 'data/mllib/sample_libsvm_data.txt')
# Split the data into training and test sets (30% held out for testing)
(trainingData, testData) = data.randomSplit([0.7, 0.3])

# Train a DecisionTree model.
#  Empty categoricalFeaturesInfo indicates all features are continuous.
model = DecisionTree.trainClassifier(trainingData, numClasses=2, categoricalFeaturesInfo={},
                                     impurity='gini', maxDepth=5, maxBins=32)

# Evaluate model on test instances and compute test error
predictions = model.predict(testData.map(lambda x: x.features))
labelsAndPredictions = testData.map(lambda lp: lp.label).zip(predictions)
testErr = labelsAndPredictions.filter(lambda (v, p): v != p).count() / float(testData.count())
print('Test Error = ' + str(testErr))
print('Learned classification tree model:')
print(model.toDebugString())

# Save and load model
model.save(sc, "target/tmp/myDecisionTreeClassificationModel")
sameModel = DecisionTreeModel.load(sc, "target/tmp/myDecisionTreeClassificationModel")

在 Spark 存储库的“examples/src/main/python/mllib/decision_tree_classification_example.py”中找到完整的示例代码。