如何读取 csv 以在 pyspark MLlib 中使用？

Question

我有一个 csv 文件，我试图将其用作 pyspark 中 KMeans 算法的输入。我正在使用 MLlib 文档中的代码。

from pyspark.ml.clustering import KMeans
from pyspark.ml.evaluation import ClusteringEvaluator

# Loads data.
dataset = spark.read.format("libsvm").load("P.txt")

# Trains a k-means model.
kmeans = KMeans().setK(2).setSeed(1)
model = kmeans.fit(dataset)

# Make predictions
predictions = model.transform(dataset)

# Evaluate clustering by computing Silhouette score
evaluator = ClusteringEvaluator()

silhouette = evaluator.evaluate(predictions)
print("Silhouette with squared euclidean distance = " + str(silhouette))

# Shows the result.
centers = model.clusterCenters()
print("Cluster Centers: ")
for center in centers:
    print(center) 

我收到了错误：

java.lang.NumberFormatException: For input string: "-6.71,-1.14"

我尝试将文件读取为

dataset = spark.read.format("csv").load("P.txt")

但我得到另一个错误：

java.lang.IllegalArgumentException: Field "features" does not exist. Available fields: _c0, _c1

我是 pyspark 的初学者，我试图寻找这方面的教程，但没有找到。

Answer 1

我发现了问题。 kmeans.fit 的 DataFrame 输入需要有一个字段“特征”，正如错误 java.lang.IllegalArgumentException: Field "features" does not exist. Available fields: _c0, _c1 所指示的那样。

为此，我们需要一个VectorAssembler，但在我们需要将列转换为数字类型之前，我们会收到错误java.lang.IllegalArgumentException: Data type string of column _c0 is not supported。

from pyspark.sql.functions import col

df = spark.read.csv('P.txt')
# Convert columns to float
df = df.select(*(col(c).cast("float").alias(c) for c in df.columns))

assembler = VectorAssembler(
    inputCols=["_c0", "_c1"],
    outputCol="features")

df = assembler.transform(df)
df = df.drop("_c0")
df = df.drop("_c1")
df.show()

Answer 2

勾选此方法读取 CSV 文件：

df = spark.read.options(header=True).csv('csvFile.csv')

df.show()

Answer 3

Available fields: _c0, _c1

检查数据文件的第一行。 headers=True在创建时保存到hdfs时，很有可能没有使用参数。