我遇到了来自 VectorAssembler
的非常奇怪的行为我想知道是否有其他人看到过这个。
我的场景非常简单。我从 CSV
解析数据我有一些标准的文件 Int
和 Double
字段,我还计算了一些额外的列。我的解析函数返回这个:
val joined = countPerChannel ++ countPerSource //two arrays of Doubles joined
(label, orderNo, pageNo, Vectors.dense(joinedCounts))
我的主要功能使用这样的解析功能:
val parsedData = rawData.filter(row => row != header).map(parseLine)
val data = sqlContext.createDataFrame(parsedData).toDF("label", "orderNo", "pageNo","joinedCounts")
然后我使用
VectorAssembler
像这样:val assembler = new VectorAssembler()
.setInputCols(Array("orderNo", "pageNo", "joinedCounts"))
.setOutputCol("features")
val assemblerData = assembler.transform(data)
因此,当我在数据进入
VectorAssembler
之前打印一行数据时它看起来像这样:[3.2,17.0,15.0,[0.0,0.0,0.0,0.0,3.0,0.0,0.0,1.0,0.0,0.0,0.0,0.0,4.0,0.0,0.0,2.0]]
在 VectorAssembler 的转换函数之后,我打印同一行数据并得到:
[3.2,(18,[0,1,6,9,14,17],[17.0,15.0,3.0,1.0,4.0,2.0])]
这到底是怎么回事?有什么
VectorAssembler
完毕?我已经仔细检查了所有计算,甚至遵循了简单的 Spark 示例,但看不出我的代码有什么问题。你是否可以?
最佳答案
输出没有什么奇怪的。您的向量似乎有很多零元素,因此 spark
使用它的稀疏表示。
进一步解释:
看起来您的向量由 18 个元素(维度)组成。
该指数[0,1,6,9,14,17]
来自向量的非零元素按顺序排列 [17.0,15.0,3.0,1.0,4.0,2.0]
稀疏向量表示是一种节省计算空间从而更容易和更快计算的方法。更多关于稀疏表示 here .
现在,您当然可以将稀疏表示转换为密集表示,但这是有代价的。
如果您对获取特征重要性感兴趣,我建议您查看 this .
关于scala - Spark ML VectorAssembler 返回奇怪的输出,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/40505805/