如何将列转换为向量类型？

Question

我在Spark中有一个RDD，其中对象基于案例类：

ExampleCaseClass(user: User, stuff: Stuff)

我想使用Spark的ML管道，因此我将其转换为Spark数据帧。作为管道的一部分，我想将其中一列转换为条目为向量的列。由于我希望向量的长度随模型而变化，因此应将其内置到管道中，作为特征转换的一部分。

因此，我尝试按以下方式定义一个Transformer：

class MyTransformer extends Transformer {

  val uid = ""
  val num: IntParam = new IntParam(this, "", "")

  def setNum(value: Int): this.type = set(num, value)
  setDefault(num -> 50)

  def transform(df: DataFrame): DataFrame = {
    ...
  }

  def transformSchema(schema: StructType): StructType = {
    val inputFields = schema.fields
    StructType(inputFields :+ StructField("colName", ???, true))
  }

  def copy (extra: ParamMap): Transformer = defaultCopy(extra)

}

如何指定结果字段的数据类型（即填写???）？它是一些简单类（布尔，整数，双精度型等）的向量。看来VectorUDT可能起作用了，但这对Spark来说是私有的。由于任何RDD都可以转换为DataFrame，因此任何案例类都可以转换为自定义DataType。但是我无法弄清楚如何手动执行此转换，否则我可以将其应用于包装矢量的一些简单案例类。

此外，如果我为列指定矢量类型，当我去拟合模型时，VectorAssembler是否可以将矢量正确处理为单独的特征？

还是Spark的新手，尤其是ML Pipeline，所以不胜感激。

Answer 1

import org.apache.spark.ml.linalg.SQLDataTypes.VectorType  
def transformSchema(schema: StructType): StructType = {
  val inputFields = schema.fields
  StructType(inputFields :+ StructField("colName", VectorType, true))
}

在spark 2.1中，VectorType使VectorUDT公开可用：

package org.apache.spark.ml.linalg

import org.apache.spark.annotation.{DeveloperApi, Since}
import org.apache.spark.sql.types.DataType

/**
 * :: DeveloperApi ::
 * SQL data types for vectors and matrices.
 */
@Since("2.0.0")
@DeveloperApi
object SQLDataTypes {

  /** Data type for [[Vector]]. */
  val VectorType: DataType = new VectorUDT

  /** Data type for [[Matrix]]. */
  val MatrixType: DataType = new MatrixUDT
}

Answer 2

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

case class MyVector(vector: Vector)
val vectorDF = Seq(
  MyVector(Vectors.dense(1.0,3.4,4.4)),
  MyVector(Vectors.dense(5.5,6.7))
).toDF

vectorDF.printSchema
root
 |-- vector: vector (nullable = true)

println(vectorDF.schema.fields(0).dataType.prettyJson)
{
  "type" : "udt",
  "class" : "org.apache.spark.mllib.linalg.VectorUDT",
  "pyClass" : "pyspark.mllib.linalg.VectorUDT",
  "sqlType" : {
    "type" : "struct",
    "fields" : [ {
      "name" : "type",
      "type" : "byte",
      "nullable" : false,
      "metadata" : { }
    }, {
      "name" : "size",
      "type" : "integer",
      "nullable" : true,
      "metadata" : { }
    }, {
      "name" : "indices",
      "type" : {
        "type" : "array",
        "elementType" : "integer",
        "containsNull" : false
      },
      "nullable" : true,
      "metadata" : { }
    }, {
      "name" : "values",
      "type" : {
        "type" : "array",
        "elementType" : "double",
        "containsNull" : false
      },
      "nullable" : true,
      "metadata" : { }
    } ]
  }
}