如何將pyspark的rdd數據類型轉化為DataFrame

來自專欄深度學習與自然語言處理

簡述

　　在用pyspark進行開發的時候，經常會遇到如何將pyspark讀取的數據使用xgboost的模型進行訓練，當然，如果是使用scala，可以直接使用xgboost4j，這個庫裡面提供了可以讀取rdd的數據文件的函數介面，通過scala可以很簡單的進行訓練，但是對於python用戶來說，如何使用pyspark和xgboost進行訓練，就比較難以處理了？

　　主要的思路是，首先，讀取libsvm的數據．然後，將pipelineRDD數據轉化為pyspark的DataFrame的數據類型，最後，通過pyspark中DataFrame的數據類型提供的函數，將pyspark中的DataFrame轉化為pandas中的DataFrame的數據類型．

代碼介紹

1)讀取libsvm數據類型

data = MLUtils.loadLibSVMFile(sc,{}://{}.format(FLAGS.file_path, FLAGS.source_path))# split data to train , test(trainingData, testData) = data.randomSplit([0.7, 0.3])

2)轉化label

def label_rdd_to_dataframe(sqlContext, data): label = data.map(lambda x: x.label) label_row = Row(label) label_rdd = label.map(lambda r: label_row(r)) label_DF = sqlContext.createDataFrame(label_rdd) return label_DF.toPandas()

3)轉化features

def features_rdd_to_dataframe(sqlContext, data): features = data.map(lambda x: Vectors.dense(x.features.toArray())) attribute_str = [attributes[{}].format(i) for i in range(len(features.take(1)[0]))] features_rdd = features.map(lambda attributes: [float(eval(value)) for value in attribute_str]) features_DF = sqlContext.createDataFrame(features_rdd) return features_DF.toPandas()

4)訓練xgboost

# transform train datalabel_train_DF = label_rdd_to_dataframe(sqlContext, trainingData)features_train_DF = features_rdd_to_dataframe(sqlContext,trainingData)train_data = xgb.DMatrix(features_train_DF, label=label_train_DF)# transform test datalabel_test_DF = label_rdd_to_dataframe(sqlContext, testData)features_test_DF = features_rdd_to_dataframe(sqlContext, testData)test_data = xgb.DMatrix(features_test_DF, label= label_test_DF)# paramsparam_dict = {eta:FLAGS.eta, "max_depth":FLAGS.max_depth, "silent":FLAGS.silent, "objective":FLAGS.objective, "lambda":FLAGS.xgb_lambda, "nthread":FLAGS.nthread}evallist = [(test_data, eval), (train_data, train)]num_round = FLAGS.num_round# trainmodel = xgb.train(param_dict, train_data, num_round, evallist)

完整代碼鏈接：

推薦閱讀：