火花 >= 1.5.0
虽然 PySpark 1.5 引入了分布式数据结构(pyspark.mllib.linalg.distributed
)看起来API相当有限并且没有实现computePrincipalComponents
method.
可以使用from pyspark.ml.feature.PCA
or pyspark.mllib.feature.PCA
尽管。在第一种情况下,预期输入是带有向量列的数据框:
from pyspark.ml.feature import PCA as PCAml
from pyspark.ml.linalg import Vectors # Pre 2.0 pyspark.mllib.linalg
df = sqlContext.createDataFrame([
(Vectors.dense([1, 2, 0]),),
(Vectors.dense([2, 0, 1]),),
(Vectors.dense([0, 1, 0]),)], ("features", ))
pca = PCAml(k=2, inputCol="features", outputCol="pca")
model = pca.fit(df)
transformed = model.transform(df)
在 Spark 2.0 或更高版本中,您应该使用pyspark.ml.linalg.Vector
代替pyspark.mllib.linalg.Vector
.
For mllib
版本你需要一个RDD
of Vector
:
from pyspark.mllib.feature import PCA as PCAmllib
rdd = sc.parallelize([
Vectors.dense([1, 2, 0]),
Vectors.dense([2, 0, 1]),
Vectors.dense([0, 1, 0])])
model = PCAmllib(2).fit(rdd)
transformed = model.transform(rdd)
火花
PySpark
操作顺序或多或少类似于下面的顺序。分布式步骤后跟操作名称,局部用“*”和可选方法。
- Create
RDD[Vector]
其中每个元素都是输入矩阵中的一行。您可以使用numpy.ndarray
对于每一行(prallelize
)
- 计算按列统计数据 (
reduce
)
- 使用 2. 的结果使矩阵居中 (
map
)
- 计算每行的外积(
map outer
)
- 对结果求和得到协方差矩阵(
reduce +
)
- 收集并计算特征分解 * (
numpy.linalg.eigh
)
- 选择前 n 个特征向量 *
- 投影数据(
map
)
关于 Sklearn。您可以使用 NumPy(它已经在Mllib
)、SciPy、Scikitlocally像往常一样对司机或工人进行操作。