python - 派斯帕克 2 : KMeans The input data is not directly cached

Question

我不知道为什么会收到消息

WARN KMeans: The input data is not directly cached, which may hurt performance if its parent RDDs are also uncached.

当我尝试使用 Spark KMeans

df_Part = assembler.transform(df_Part)    
df_Part.cache()
while (k<=max_cluster) and (wssse > seuilStop):
                    kmeans = KMeans().setK(k)
                    model = kmeans.fit(df_Part)
                    wssse = model.computeCost(df_Part)
                    k=k+1

它说我的输入(Dataframe)没有被缓存!!

我尝试打印 df_Part.is_cached 并收到 True，这意味着我的数据帧已缓存，那么为什么 Spark 仍然警告我？

Answer 1

此消息由 o.a.s.mllib.clustering.KMeans 生成，如果不修补 Spark 代码，您将无能为力。

内部 o.a.s.ml.clustering.KMeans:

• 将 DataFrame 转换为 RDD[o.a.s.mllib.linalg.Vector]。
• 执行 o.a.s.mllib.clustering.KMeans。

当你缓存 DataFrame 时，内部使用的 RDD 不会被缓存。这就是您看到警告的原因。虽然这很烦人，但我不会太担心它。