Question

我正在学习PySpark。在https://spark.apache.org/docs/2.2.0/ml-pipeline.html中，有一个示例：

from pyspark.ml.linalg import Vectors
from pyspark.ml.classification import LogisticRegression

# Prepare training data from a list of (label, features) tuples.
training = spark.createDataFrame([
    (1.0, Vectors.dense([0.0, 1.1, 0.1])),
    (0.0, Vectors.dense([2.0, 1.0, -1.0])),
    (0.0, Vectors.dense([2.0, 1.3, 1.0])),
    (1.0, Vectors.dense([0.0, 1.2, -0.5]))], ["label", "features"])

# Create a LogisticRegression instance. This instance is an Estimator.
lr = LogisticRegression(maxIter=10, regParam=0.01)
# Print out the parameters, documentation, and any default values.
print("LogisticRegression parameters:\n" + lr.explainParams() + "\n")
......

从这里，您可以看到这是一个很小的数据集，所有要素都放在一起并有一个通用名称：要素。

但是通常我们是这样从csv文件读取数据的：

from pyspark.ml.linalg import Vectors
from pyspark.ml.classification import LogisticRegression

spark=SparkSession.builder.getOrCreate()
df = spark.read.csv("/home/feng/Downloads/datatry.csv",header=True)

如果我的数据有5列：c1，c2，c3，c4，c5。假设c5是标签列，其他4列是要素。那么，如何将csv格式转换为上述格式，以便我可以继续工作？或者，是否有另一个不需要这样做？

谢谢

Answer 1

VectorAssembler可用于将给定的列列表转换为单个向量列。

用法示例：

assembler = VectorAssembler(
    inputCols=["c1", "c2", "c3", "c4"],
    outputCol="features")

output = assembler.transform(df)

这要求所有以前的列都是数字，布尔或向量类型。如果您有字符串列，则必须使用其他转换器：StringIndexer。有关所有可用变压器的概述，请参见documentation。

请注意，在同一数据上连续使用多个变形金刚时，使用Pipeline更简单。

如何在pyspark中将列拆分为标签和功能？

1 个答案: