Я хочу использовать функцию pyspark.mllib.stat.Statistics.corr
для вычисления корреляции между двумя столбцами объекта pyspark.sql.dataframe.DataFrame
. corr
Функция рассчитывает принять rdd
из Vectors
объектов. Как перевести столбец df['some_name']
в rdd
из Vectors.dense
объект?Компенсация вычислений Pyspark
5
A
ответ
5
Не должно быть необходимости в этом. Для численного можно вычислить корреляцию непосредственно с помощью DataFrameStatFunctions.corr
:
df1 = sc.parallelize([(0.0, 1.0), (1.0, 0.0)]).toDF(["x", "y"])
df1.stat.corr("x", "y")
# -1.0
иначе вы можете использовать VectorAssembler
:
from pyspark.ml.feature import VectorAssembler
assembler = VectorAssembler(inputCols=df.columns, outputCol="features")
assembler.transform(df).select("features").flatMap(lambda x: x)
1
Хорошо, я понял это:
v1 = df.flatMap(lambda x: Vectors.dense(x[col_idx_1]))
v2 = df.flatMap(lambda x: Vectors.dense(x[col_idx_2]))
Он поддерживает только Пирсона. – VJune