python - 如何将稀疏数据的PythonRDD转换为密集的PythonRDD

我想使用StandardScaler缩放数据。我已经将数据加载到PythonRDD中。数据似乎稀疏。要应用StandardScaler，我们首先应将其转换为密集类型。

trainData = MLUtils.loadLibSVMFile(sc, trainDataPath)
valData = MLUtils.loadLibSVMFile(sc, valDataPath)
trainLabel = trainData.map(lambda x: x.label)
trainFeatures = trainData.map(lambda x: x.features)
valLabel = valData.map(lambda x: x.label)
valFeatures = valData.map(lambda x: x.features)
scaler = StandardScaler(withMean=True, withStd=True).fit(trainFeatures)

# apply the scaler into the data. Here, trainFeatures is a sparse PythonRDD, we first convert it into dense tpye
trainFeatures_scaled = scaler.transform(trainFeatures)
valFeatures_scaled = scaler.transform(valFeatures)

# merge `trainLabel` and `traiFeatures_scaled` into a new PythonRDD
trainData1 = ...
valData1 = ...

# using the scaled data, i.e., trainData1 and valData1 to train a model
...

上面的代码有错误。我有两个问题：


如何将稀疏的PythonRDD trainFeatures转换为可以作为StandardScaler输入的密集tpye？
如何将trainLabel和trainFeatures_scaled合并到新的LabeledPoint中，以用于训练分类器（例如，随机森林）？


我仍然找到有关此的任何文档或参考。

最佳答案

要使用toArray转换为密集地图，请执行以下操作：

dense = valFeatures.map(lambda v: DenseVector(v.toArray()))

合并zip：

valLabel.zip(dense).map(lambda (l, f): LabeledPoint(l, f))

关于python - 如何将稀疏数据的PythonRDD转换为密集的PythonRDD，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/37358865/