如何将RDD或者MLLib矩阵zhuanzhi

最近老有人在qq群或者公众号留言问浪尖如何将Spark Mllib的矩阵或者将一个RDD进行转置操作。Spark Mllib的矩阵有多种形式，分布式和非分布式，非分布式在这里浪尖就不讲了，很简单，因为他是基于数组的。而分布式存储是基于RDD的，那么问题就又变成了如何将一个RDD进行转置。

首先我们来介绍一下什么是转置操作：

百科上的定义，将一个矩阵的行列互换得到的矩阵就是该矩阵的转置。

要想把一个RDD的行列互换的话，主要思路如下：

1，先转化RDD，给每一行带上唯一的行号(row, rowIndex)。

2，针对RDD的每一行，转化为(value, colIndex)，并整理的到(colIndex.toLong, (rowIndex, value))

3，进行flatmap

4，步骤3完成后，我们只需要按照3key进行分组，并按照其key进行排序就可以得到转化后列式有序。

5，完成步骤4后，我们就可以按照每一行的(rowIndex, value)，使用下标和其值构建新的行，保证每一行转换后的顺序。

到此转换完成。

具体步骤如下：

def transposeRowMatrix(m: RowMatrix): RowMatrix = {
  val transposedRowsRDD = m.rows.zipWithIndex.map{case (row, rowIndex) => rowToTransposedTriplet(row, rowIndex)}
    .flatMap(x => x) //  (newRowIndex, (newColIndex, value))
    .groupByKey
    .sortByKey().map(_._2) // 对row进行排序，去除掉索引
    .map(buildRow) // 利用索引和值，重新构建每一行，去掉索引
  new RowMatrix(transposedRowsRDD)
}
//转换每一行
    def rowToTransposedTriplet(row: Vector, rowIndex: Long): Array[(Long, (Long, Double))] = {
      val indexedRow = row.toArray.zipWithIndex
      indexedRow.map{case (value, colIndex) => (colIndex.toLong, (rowIndex, value))}
    }
//构建新的行
    def buildRow(rowWithIndexes: Iterable[(Long, Double)]): Vector = {
      val resArr = new Array[Double](rowWithIndexes.size)
      rowWithIndexes.foreach{case (index, value) =>
        resArr(index.toInt) = value
      }
      Vectors.dense(resArr)
    }

测试

准备数据

val observations = sc.parallelize(
  Seq(
    Vectors.dense(1.0, 10.0, 100.0,2.0),
    Vectors.dense(2.0, 20.0, 200.0,2.0),
    Vectors.dense(3.0, 30.0, 300.0,2.0)
  )
)

生成矩阵

val mat: RowMatrix = new RowMatrix(observations)

会发现行列已经互换。

推荐阅读：

1，HBase在滴滴出行的应用场景和最佳实践

2，SparkML模型选择（超参数调整）与调优

3，SparkMLLib中基于DataFrame的TF-IDF

4，用java提交一个Spark应用程序

关于Spark学习技巧

kafka，hbase，spark，Flink等入门到深入源码，spark机器学习，大数据安全，大数据运维，请关注浪尖公众号，看高质量文章。

更多文章，敬请期待