MLlib中的数据类型

http://spark.apache.org/docs/1.6.3/mllib-data-types.html

Local Vector

有两种：dense、sparse

For example, a vector (1.0, 0.0, 3.0) can be represented in dense format as [1.0, 0.0, 3.0] or in sparse format as (3, [0, 2], [1.0, 3.0]), where 3 is the size of the vector.

import org.apache.spark.mllib.linalg.{Vector,Vectors}
// Create a dense vector (1.0, 0.0, 3.0).
val dv: Vector = Vectors.dense(1.0, 0.0, 3.0)
// Create a sparse vector (1.0, 0.0, 3.0) by specifying its indices and values corresponding to nonzero entries.
val sv1: Vector = Vectors.sparse(3, Array(0, 2), Array(1.0, 3.0))
// Create a sparse vector (1.0, 0.0, 3.0) by specifying its nonzero entries.
val sv2: Vector = Vectors.sparse(3, Seq((0, 1.0), (2, 3.0)))

import org.apache.spark.mllib.linalg.{Vector, Vectors}

dv: org.apache.spark.mllib.linalg.Vector = [1.0,0.0,3.0]

sv1: org.apache.spark.mllib.linalg.Vector = (3,[0,2],[1.0,3.0])

sv2: org.apache.spark.mllib.linalg.Vector = (3,[0,2],[1.0,3.0])

Labeled point

本身也是一个local vector，但有label。常用在监督学习算法里。多分类问题，lable必须从0开始，0，1，2，。。。

import org.apache.spark.mllib.linalg.Vectors
import org.apache.spark.mllib.regression.LabeledPoint

// Create a labeled point with a positive label and a dense feature vector.
val pos = LabeledPoint(1.0, Vectors.dense(1.0, 0.0, 3.0))

Local Matrix

也分稠密矩阵与 稀疏矩阵。

import org.apache.spark.mllib.linalg.{Matrix, Matrices}

// Create a dense matrix ((1.0, 2.0), (3.0, 4.0), (5.0, 6.0))，按列存放
val dm: Matrix = Matrices.dense(3, 2, Array(1.0, 3.0, 5.0, 2.0, 4.0, 6.0))

// Create a sparse matrix ((9.0, 0.0), (0.0, 8.0), (0.0, 6.0))
val sm: Matrix = Matrices.sparse(3, 2, Array(0, 1, 3), Array(0, 2, 1), Array(9, 6, 8))

// 第一个Array表示从第几个元素开始新起一列存放，第二个Array表示非零元素的行号，第三个Array表示非零元素的值。

dm: org.apache.spark.mllib.linalg.Matrix =

1.0 2.0

3.0 4.0

5.0 6.0

sm: org.apache.spark.mllib.linalg.Matrix =

3 x 2 CSCMatrix

(0,0) 9.0

(2,1) 6.0

(1,1) 8.0

Distributed matrix

第一种：RowMatrix，

按行存放的，每行是Local Vector。所以列数受限于integer的范围。

我们可以对每列进行统计描述，还可以进行QR分解。在SVD、PCA中有用到。

import org.apache.spark.mllib.linalg.Vector
import org.apache.spark.mllib.linalg.distributed.RowMatrix

val rows: RDD[Vector] = ... // an RDD of local vectors
// Create a RowMatrix from an RDD[Vector].
val mat: RowMatrix = new RowMatrix(rows)

// QR decomposition 
val qrResult = mat.tallSkinnyQR(true)

第二种：IndexedRowMatrix

第三种：CoordinateMatrix

只适用于matrix的维度比较大，并且很稀疏。

Each entry is a tuple of (i: Long, j: Long, value: Double), where i is the row index, j is the column index, and value is the entry value.

第四种  BlockMatrix

PS。如何将RDD中的类型转换成自己想要的？

答：利用map，对每行数据进行类型转换。

import org.apache.spark.mllib.linalg.{Vector,Vectors}  
val m1 = sc.textFile("/user/hadoop-generalshop/caiqi.sun/spark/ml/matrix.txt").map{ r =>
    val row = r.split(" ").map(_.toDouble)
    (Vectors.dense(row))
}

import org.apache.spark.mllib.linalg.{Vector, Vectors}

m1: org.apache.spark.rdd.RDD[org.apache.spark.mllib.linalg.Vector] = MapPartitionsRDD[12] at map at <con

PPS。如何创建RDD？

1）从Hadoop文件系统（如HDFS、Hive、HBase）输入创建。
2）从父RDD转换得到新RDD。
3）通过parallelize或makeRDD将单机数据创建为分布式RDD。

从集合创建RDD： var rdd = sc.parallelize( 1  to  10 ) 

var rdd = sc.makeRDD(collect) 

4）基于DB(Mysql)、NoSQL(HBase)、S3(SC3)、数据流创建。