scala - 添加两个 RDD[mllib.linalg.Vector]

Question

我需要添加两个存储在两个文件中的矩阵。
latest1.txt的内容和 latest2.txt有下一个str:

1 2 3
4 5 6
7 8 9

I am reading those files as follows:

scala> val rows = sc.textFile(“latest1.txt”).map { line => val values = line.split(‘ ‘).map(_.toDouble)
    Vectors.sparse(values.length,values.zipWithIndex.map(e => (e._2, e._1)).filter(_._2 != 0.0))
}

scala> val r1 = rows
r1: org.apache.spark.rdd.RDD[org.apache.spark.mllib.linalg.Vector] = MappedRDD[2] at map at :14

scala> val rows = sc.textFile(“latest2.txt”).map { line => val values = line.split(‘ ‘).map(_.toDouble)
    Vectors.sparse(values.length,values.zipWithIndex.map(e => (e._2, e._1)).filter(_._2 != 0.0))
}

scala> val r2 = rows
r2: org.apache.spark.rdd.RDD[org.apache.spark.mllib.linalg.Vector] = MappedRDD[2] at map at :14

我想添加r1，r2。那么，有什么办法可以添加这两个RDD[mllib.linalg.Vector] s 在 Apache-Spark 中。

Answer 1

这实际上是一个很好的问题。我经常使用 mllib，但没有意识到这些基本的线性代数运算不容易访问。

关键是底层的微风 向量具有您期望的所有线性代数操作 - 当然包括您特别提到的基本元素明智加法。

然而，微风实现通过以下方式对外界隐藏:

[private mllib]

那么，从外部世界/公共(public) API 的角度来看，我们如何访问这些原语？

其中一些已经暴露:例如平方和:

/**
 * Returns the squared distance between two Vectors.
 * @param v1 first Vector.
 * @param v2 second Vector.
 * @return squared distance between two Vectors.
 */
def sqdist(v1: Vector, v2: Vector): Double = { 
  ...
}

然而，这些可用方法的选择是有限的——实际上不包括基本操作，包括元素加法、减法、乘法等。

所以这是我能看到的最好的:

将向量转换为微风:

在微风中执行向量操作

从微风转换回 mllib 向量

这是一些示例代码:

val v1 = Vectors.dense(1.0, 2.0, 3.0)
val v2 = Vectors.dense(4.0, 5.0, 6.0)
val bv1 = new DenseVector(v1.toArray)
val bv2 = new DenseVector(v2.toArray)

val vectout = Vectors.dense((bv1 + bv2).toArray)
vectout: org.apache.spark.mllib.linalg.Vector = [5.0,7.0,9.0]