So spalten Sie Vektor in Spalten - mit PySpark

Question

Kontext: Ich habe eine DataFrame mit 2 Spalten: Wort und Vektor. Wenn der Spaltentyp "Vektor" VectorUDT ist.

Ein Beispiel:

word | vector 

assert | [435,323,324,212...] 

Und ich will diese bekommen:

word | v1 | v2 | v3 | v4 | v5 | v6 ...... 

assert | 435 | 5435| 698| 356|.... 

Frage:

Wie kann ich für jede Dimension eine Spalte mit Vektoren in mehrere Spalten aufgeteilt mit pyspark?

Vielen Dank im Voraus

Answer 1

Ein möglicher Ansatz ist vom und zum RDD zu konvertieren:

from pyspark.ml.linalg import Vectors 

df = sc.parallelize([ 
    ("assert", Vectors.dense([1, 2, 3])), 
    ("require", Vectors.sparse(3, {1: 2})) 
]).toDF(["word", "vector"]) 

def extract(row): 
    return (row.word,) + tuple(row.vector.toArray().tolist()) 

df.rdd.map(extract).toDF(["word"]) # Vector values will be named _2, _3, ... 

## +-------+---+---+---+ 
## | word| _2| _3| _4| 
## +-------+---+---+---+ 
## | assert|1.0|2.0|3.0| 
## |require|0.0|2.0|0.0| 
## +-------+---+---+---+ 

Eine alternative Lösung wäre, erstellen Sie eine UDF:

from pyspark.sql.functions import udf, col 
from pyspark.sql.types import ArrayType, DoubleType 

def to_array(col): 
    def to_array_(v): 
     return v.toArray().tolist() 
    return udf(to_array_, ArrayType(DoubleType()))(col) 

(df 
    .withColumn("xs", to_array(col("vector"))) 
    .select(["word"] + [col("xs")[i] for i in range(3)])) 

## +-------+-----+-----+-----+ 
## | word|xs[0]|xs[1]|xs[2]| 
## +-------+-----+-----+-----+ 
## | assert| 1.0| 2.0| 3.0| 
## |require| 0.0| 2.0| 0.0| 
## +-------+-----+-----+-----+