我有两列的DataFrame， ID 类型为 Int 和 Vec 类型为 Vector （ org.apache.spark.mllib.linalg.Vector ）的
DataFrame如下所示：
ID，Vec 1，[0,0,5] 1，[4,0,1] 1，[1,2,1] 2，[7,5,0] 2，[3,3,4] 3，[0,8,1] 3，[0,0,1] 3，[7,7,7 ] ....我想做一个 groupBy（$ ID）然后通过对向量求和来对每个组内的行进行聚合。
上面期望的输出例如：
ID，SumOfVectors 1，[5,2,7] 2， [10,8,4] 3，[7,15,9] ...可用的聚合功能将不起作用，例如 df.groupBy（$ ID）。agg（sum（$ Vec）将导致ClassCastException。
如何实现自定义聚合函数，使我可以对向量或数组求和或进行任何其他自定义操作？
解决方案火花> = 3.0
您可以将 Summarizer 与 sum
导入org.apache.spark.ml。 stat.Summarizer df .groupBy（$ id） .agg（Summarizer.sum（$ vec）。alias（ vec））火花< = 3.0
我个人不会打扰UDAF。它不仅冗长而且速度也不快（使用ArrayType作为bufferSchema性能的火花UDAF问题），而我只是使用 reduceByKey / foldByKey ：
导入org.apache.spark。 sql.Row import breeze.linalg。{DenseVector => BDV} import org.apache.spark.ml.linalg。{Vector，Vectors} def dv（values：Double *）：Vector = Vectors.dense（values.toArray） val df = spark.createDataFrame（Seq（（1，dv（0,0,5）），（1，dv（4,0,1）），（1，dv （1,2,1）），（2，dv（7,5,0）），（2，dv（3,3,4）），（3，dv（0， 8,1）），（3，dv（0,0,1）），（3，dv（7,7,7））））.toDF（ id， vec） val合计= df .rdd .map {case Row（k：Int，v：Vector）=> （k，BDV（v.toDense.values））} .foldByKey（BDV.zeros [Double]（3））（_ + = _） .mapValues（v => Vectors.dense （v.toArray）） .toDF（ id， vec） 汇总。show // + --- +- ----------- + // | id | vec | // + --- + -------------- + // | 1 | [5.0,2.0,7.0] | // | 2 | [10.0,8.0,4.0] | // | 3 | [7.0,15.0,9.0] | // + --- + -------------- +为了比较，使用了一个简单的 UDAF。必需的导入：
import org.apache.spark.sql.expressions。{MutableAggregationBuffer， UserDefinedAggregateFunction} 导入org.apache.spark.ml.linalg。{向量，向量，SQLDataTypes} 导入org.apache.spark.sql.types。{StructType，ArrayType，DoubleType} 导入org.apache。 spark.sql.Row 导入scala.collection.mutable.WrappedArray类定义：
class VectorSum（n：Int）扩展UserDefinedAggregateFunction { def inputSchema = new StructType（）。add（ v ，SQLDataTypes.VectorType） def bufferSchema = new StructType（）。add（ buff，ArrayType（DoubleType）） def dataType = SQLDataTypes.VectorType def确定性=真 def initialize（buffer：MutableAggregationBuffer）= { buffer.update（0，Array.fill（n）（0.0））} def更新（缓冲区：MutableAggregationBuffer，输入：行）= { if（！input.isNullAt（ 0））{ val buff = buffer.getAs [WrappedArray [Double]]（0） val v = input.getAs [Vector]（0）.toSparse for（i< -v.indices）{ buff（i）+ = v（i）} buffer.update（0，buff）} } def merge（buffer1：MutableAggregationBuffer，buffer2：Row）= { val buff1 = buffer1.getAs [WrappedArray [Double]]（0） val buff2 = buffer2.getAs [WrappedArray [ Double]]（0） for（（x，i）<-buff2.zipWithIndex）{ buff1（i）+ = x } buffer1.update（0 ，buff1）} def评估（buffer：Row）= Vectors.dense（ buffer.getAs [Seq [Double]]（0）.toArray）}示例用法：
df.groupBy（$$ id））。agg（new VectorSum（3）（$$ vec）别名 vec）。show // + --- + -------------- + // | id | vec | // + --- + -------------- + // | 1 | [5.0,2.0,7.0] | // | 2 | [10.0,8.0,4.0] | // | 3 | [7.0,15.0,9.0] | // + --- + -------------- +另请参见：如何在Spark SQL中查找分组的Vector列的平均值？。
I have a DataFrame of two columns, ID of type Int and Vec of type Vector (org.apache.spark.mllib.linalg.Vector).
The DataFrame looks like follow:
ID,Vec 1,[0,0,5] 1,[4,0,1] 1,[1,2,1] 2,[7,5,0] 2,[3,3,4] 3,[0,8,1] 3,[0,0,1] 3,[7,7,7] ....I would like to do a groupBy($"ID") then apply an aggregation on the rows inside each group by summing the vectors.
The desired output of the above example would be:
ID,SumOfVectors 1,[5,2,7] 2,[10,8,4] 3,[7,15,9] ...The available aggregation functions will not work, e.g. df.groupBy($"ID").agg(sum($"Vec") will lead to an ClassCastException.
How to implement a custom aggregation function that allows me to do the sum of vectors or arrays or any other custom operation?
解决方案Spark >= 3.0
You can use Summarizer with sum
import org.apache.spark.ml.stat.Summarizer df .groupBy($"id") .agg(Summarizer.sum($"vec").alias("vec"))Spark <= 3.0
Personally I wouldn't bother with UDAFs. There are more than verbose and not exactly fast (Spark UDAF with ArrayType as bufferSchema performance issues) Instead I would simply use reduceByKey / foldByKey:
import org.apache.spark.sql.Row import breeze.linalg.{DenseVector => BDV} import org.apache.spark.ml.linalg.{Vector, Vectors} def dv(values: Double*): Vector = Vectors.dense(values.toArray) val df = spark.createDataFrame(Seq( (1, dv(0,0,5)), (1, dv(4,0,1)), (1, dv(1,2,1)), (2, dv(7,5,0)), (2, dv(3,3,4)), (3, dv(0,8,1)), (3, dv(0,0,1)), (3, dv(7,7,7))) ).toDF("id", "vec") val aggregated = df .rdd .map{ case Row(k: Int, v: Vector) => (k, BDV(v.toDense.values)) } .foldByKey(BDV.zeros[Double](3))(_ += _) .mapValues(v => Vectors.dense(v.toArray)) .toDF("id", "vec") aggregated.show // +---+--------------+ // | id| vec| // +---+--------------+ // | 1| [5.0,2.0,7.0]| // | 2|[10.0,8.0,4.0]| // | 3|[7.0,15.0,9.0]| // +---+--------------+And just for comparison a "simple" UDAF. Required imports:
import org.apache.spark.sql.expressions.{MutableAggregationBuffer, UserDefinedAggregateFunction} import org.apache.spark.ml.linalg.{Vector, Vectors, SQLDataTypes} import org.apache.spark.sql.types.{StructType, ArrayType, DoubleType} import org.apache.spark.sql.Row import scala.collection.mutable.WrappedArrayClass definition:
class VectorSum (n: Int) extends UserDefinedAggregateFunction { def inputSchema = new StructType().add("v", SQLDataTypes.VectorType) def bufferSchema = new StructType().add("buff", ArrayType(DoubleType)) def dataType = SQLDataTypes.VectorType def deterministic = true def initialize(buffer: MutableAggregationBuffer) = { buffer.update(0, Array.fill(n)(0.0)) } def update(buffer: MutableAggregationBuffer, input: Row) = { if (!input.isNullAt(0)) { val buff = buffer.getAs[WrappedArray[Double]](0) val v = input.getAs[Vector](0).toSparse for (i <- v.indices) { buff(i) += v(i) } buffer.update(0, buff) } } def merge(buffer1: MutableAggregationBuffer, buffer2: Row) = { val buff1 = buffer1.getAs[WrappedArray[Double]](0) val buff2 = buffer2.getAs[WrappedArray[Double]](0) for ((x, i) <- buff2.zipWithIndex) { buff1(i) += x } buffer1.update(0, buff1) } def evaluate(buffer: Row) = Vectors.dense( buffer.getAs[Seq[Double]](0).toArray) }And an example usage:
df.groupBy($"id").agg(new VectorSum(3)($"vec") alias "vec").show // +---+--------------+ // | id| vec| // +---+--------------+ // | 1| [5.0,2.0,7.0]| // | 2|[10.0,8.0,4.0]| // | 3|[7.0,15.0,9.0]| // +---+--------------+See also: How to find mean of grouped Vector columns in Spark SQL?.
更多推荐
如何定义自定义聚合函数以对Vector的列求和？
发布评论