PySpark で VectorUDT を列に変換するにはどうすればよいですか?

PySpark を使用して VectorUDT を列に分解する

PySpark では、VectorUDT として保存されたベクトル列から個々の次元を抽出する必要が生じる場合があります。これを実現するには、Spark のバージョンに基づいてさまざまなアプローチを活用できます。

Spark >= 3.0.0

PySpark 3.0.0 には、次の組み込み機能が備わっています。このタスク:

<code class="python">from pyspark.ml.functions import vector_to_array

df.withColumn("xs", vector_to_array("vector")).select(["word"] + [col("xs")[i] for i in range(3)])</code>

これは、ベクトルを配列に簡潔に変換し、必要な列を投影します。

Spark < 3.0.0

3.0.0 より前の Spark バージョンでは、より複雑なアプローチが必要です:

RDD 変換:

<code class="python">df.rdd.map(lambda row: (row.word,) + tuple(row.vector.toArray().tolist())).toDF(["word"])</code>

UDF メソッド:

<code class="python">from pyspark.sql.functions import udf, col
from pyspark.sql.types import ArrayType, DoubleType

def to_array(col):
    return udf(lambda v: v.toArray().tolist(), ArrayType(DoubleType()))(col)

df.withColumn("xs", to_array(col("vector"))).select(["word"] + [col("xs")[i] for i in range(3)])</code>

注: パフォーマンスを向上させるには、UDF で asNondeterministic が使用されていることを確認してください (Spark 2.3 が必要です)。

Scala の同等物

これらのアプローチと同等の Scala については、「Spark Scala: Dataframe[vector] を DataFrame[f1:Double, ..., fn: Double)] に変換する方法」を参照してください。

以上がPySpark で VectorUDT を列に変換するにはどうすればよいですか?の詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。