如何将 DataFrame 转换为密集向量数组？答案

【问题标题】：How to convert a DataFrame to an Array of dense vectors?如何将 DataFrame 转换为密集向量数组？
【发布时间】：2022-01-21 10:03:57
【问题描述】：

我将如何转换以下 DataFrame

val df = Seq(
  (5.0, 1.0, 1.0, 3.0, 7.0),
  (2.0, 0.0, 3.0, 4.0, 5.0),
  (4.0, 0.0, 0.0, 6.0, 7.0)).toDF("m1", "m2", "m3", "m4", "m5")
//df: res166: org.apache.spark.sql.DataFrame = [m1: int, m2: int ... 3 more fields]

到密集向量数组

val arrayDenseVectors = Array(
      Vectors.dense(5.0, 1.0, 1.0, 3.0, 7.0),
      Vectors.dense(2.0, 0.0, 3.0, 4.0, 5.0),
      Vectors.dense(4.0, 0.0, 0.0, 6.0, 7.0))
//arrayDenseVectors: Array[org.apache.spark.mllib.linalg.Vector] = Array([5.0,1.0,1.0,3.0,7.0], [2.0,0.0,3.0,4.0,5.0], [4.0,0.0,0.0,6.0,7.0])

为了使问题进一步复杂化，df 列的类型为 Int 而不是 Double

【问题讨论】：

标签： dataframe scala apache-spark vector apache-spark-mllib

【解决方案1】：

在RDD上使用map，你可以将每一行转换成Vector，然后收集到一个数组中：

import org.apache.spark.mllib.linalg.Vectors

val arrayDenseVectors = df.rdd.map { r =>
  Vectors.dense(Array((0 to 3).map(r.getAs[Double](_)): _*))
}.collect

//arrayDenseVectors: Array[org.apache.spark.ml.linalg.Vector] = Array([5.0,1.0,1.0,3.0], [2.0,0.0,3.0,4.0], [4.0,0.0,0.0,6.0])

【讨论】：