在 PySpark 中,您可能需要从存储为 VectorUDT 的向量列中提取各个维度。为此,您可以根据您的 Spark 版本利用各种方法。
Spark >= 3.0.0
PySpark 3.0.0 带来了内置功能此任务:
<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>
这简洁地将向量转换为数组并投影所需的列。
Spark
Spark
3.0.0
<code class="python">df.rdd.map(lambda row: (row.word,) + tuple(row.vector.toArray().tolist())).toDF(["word"])</code>
RDD 转换:
<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>
UDF 方法:
注意:
为了提高性能,请确保将 asNon certainistic 与 UDF 一起使用(需要 Spark 2.3)。
Scala 等效项有关这些方法的 Scala 等效项,请参阅“Spark Scala:如何将 Dataframe[vector] 转换为 DataFrame[f1:Double, ..., fn: Double)]。”以上是如何在 PySpark 中将 VectorUDT 转换为列?的详细内容。更多信息请关注PHP中文网其他相关文章!