如何使用python运行具有分类功能的Spark逻辑回归？

Question

我有一些带有一些分类变量的数据，我想使用Mllib运行逻辑回归，看起来模型只支持连续变量。 有谁知道如何处理这个问题？

Answer 1

与其他线性模型一样，Logistic回归将RDD视为输入，而LabeledPoint则是Double（标签）和关联的Vector（双数组）。

不支持分类值（字符串），但您可以将它们转换为二进制列。

例如，如果列RAG的值为红色，琥珀色和绿色，则会添加三个二进制列isRed，isAmber和isGreen，其中只有一个为1（true），其他为0（零）每个样本。

见进一步说明：http://scikit-learn.org/stable/modules/generated/sklearn.feature_extraction.DictVectorizer.html