问题描述
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？
火花> = 3.0
您可以将 Summarizer 与<$ c $一起使用c> sum
导入org.apache.spark.ml。 stat.Summarizer
df
.groupBy（$ 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（），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：。
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($"Vec") will lead to an ClassCastException.
How to implement a custom aggregation function that allows me to do the sum of vectors or arrays or any other custom operation?
Spark >= 3.0
You can use Summarizer with sum
import org.apache.spark.ml.stat.Summarizer
df
.groupBy($"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.WrappedArray
Class 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?.
这篇关于如何定义自定义聚合函数以对Vector的列求和？的文章就介绍到这了，希望我们推荐的答案对大家有所帮助，也希望大家多多支持！