Spark Mllib之数据类型 - 基于RDD的API

微信公众号:数据挖掘与分析学习

MLlib支持存储在单个机器上的局部向量和矩阵，以及由一个或多个RDD支持的分布式矩阵。局部向量和局部矩阵是用作公共接口的简单数据模型。其底层线性代数运算由Breeze提供。在监督学习中使用的训练示例在MLlib中称为“labeled point”。

1.局部向量(Local Vector)

局部向量具有整数类型和基于0的索引和双精度浮点型，存储在单个机器上。MLlib支持两种类型的局部向量：密集(dense)和稀疏(sparse)。密集向量由表示其条目值的double数组支持，而稀疏向量由两个并行数组支持：索引数组和值数组。例如，矢量（1.0,0.0,3.0）可以以密集格式表示为[1.0,0.0,3.0]，或者以稀疏格式表示为（3，[0,2]，[1.0,3.0]），其中3是 矢量的大小。

局部向量的基类是Vector，我们提供了两种实现：DenseVector和SparseVector。我们建议使用Vector中实现的工厂方法来创建局部向量。

package com.cb.spark.mllib;

import org.apache.spark.mllib.linalg.Vectors;
import org.apache.spark.mllib.linalg.Vector;
import org.apache.spark.sql.SparkSession;

public class DataType {
	public static void main(String[] args) {
		SparkSession session=SparkSession.builder().appName("DataType").master("local").getOrCreate();
		
		//创建一个密集向量
		Vector dv=Vectors.dense(1.0,0.0,3.0);
		
		//创建一个稀疏向量，需要指定相关的索引苏数组和值数组
		Vector sv=Vectors.sparse(3, new int[]{0,2},new double[]{1.0,3.0});
		
		System.out.println(dv);
		System.out.println(sv);
	}
}

2.标记点(Labeled point)

标记点(Labeled point)是与标签/响应(response)相关联的密集或稀疏的局部矢量。在MLlib中，标记点用于监督学习算法。我们使用double类型来存储标签，因此我们可以在回归和分类中使用标记点。对于二进制分类，标签应为0（负）或1（正）。 对于多类分类，标签应该是从零开始的类索引：0,1,2，....

标记点由LabeledPoint类表示。

/使用正标签和一个密集特征向量创建一个标记点
		LabeledPoint pos=new LabeledPoint(1.0, Vectors.dense(1.0,0.0,3.0));
		
		//使用负标签和一个稀疏特征向量创建一个标记点
		LabeledPoint neg=new LabeledPoint(0.0, Vectors.sparse(3, new int[]{0,2},new double[]{1.0,3.0}))

稀疏数据：

在实践中很常见的是稀疏的训练数据。MLlib支持读取以LIBSVM格式存储的训练样例，这是LIBSVM和LIBLINEAR使用的默认格式。它是一种文本格式，其中每一行使用以下格式表示标记的稀疏特征向量：

label index1:value1 index2:value2 ...

其中索引是一个基于升序的。加载后，特征索引将转换为从零开始。

MLUtils.loadLibSVMFile读取以LIBSVM格式存储的训练样例。

RDD<LabeledPoint> rdd = MLUtils.loadLibSVMFile(context.sc(), "./src/main/resources/libsvm_data_test");

3.局部矩阵

局部矩阵具有整数类型的行和列索引以及double类型值，存储在单个机器上。MLlib支持密集矩阵，其条目值以列主要顺序存储在单个double类型数组中;也支持稀疏矩阵，其非零条目值以列主要顺序存储在压缩稀疏列（CSC）格式中。

例如，以下密集矩阵

存储在具有矩阵大小（3,2）的一维数组[1.0,3.0,5.0,2.0,4.0,6.0]中。

Matrix的基类是Matrix，我们提供两种实现：DenseMatrix和SparseMatrix。

我们建议使用Matrices中实现的工厂方法来创建局部矩阵。 请记住，MLlib中的本地矩阵以列主顺序存储。

//创建一个密集矩阵，3行2列
		Matrix dm=Matrices.dense(3, 2, new double[]{1.0,3.0,5.0,2.0,4.0,6.0});
		System.out.println(dm);
		//创建一个稀疏矩阵
		Matrix sm=Matrices.sparse(3, 2, new int[]{0,1,3},new int[]{0,2,1},new double[]{9,6,8});
		System.out.println(sm);

4.分布式矩阵

分布式矩阵具有long类型的行和列索引以及double类型值，分布式地存储在一个或多个RDD中。选择正确的格式来存储大型和分布式矩阵非常重要。将分布式矩阵转换为不同的格式可能需要全局混洗(shuffle)，这需要很大的代价。到目前为止已经实现了四种类型的分布式矩阵。

基本类型称为RowMatrix。RowMatrix是面向行的分布式矩阵，没有有意义的行索引，例如特征向量的集合。它由行(row)的RDD支持，其中每行(row)是本地向量。我们假设RowMatrix的列数不是很大，因此单个本地向量可以合理地传递给驱动程序，也可以使用单个节点进行存储/操作。IndexedRowMatrix类似于RowMatrix但具有行索引，可用于标识行和执行连接。CoordinateMatrix是以坐标列表（COO）格式存储的分布式矩阵，由其条目的RDD支持。BlockMatrix是由MatrixBlock的RDD支持的分布式矩阵，它是（Int，Int，Matrix）的元组。

分布式矩阵的基础RDD必须是确定性的，因为我们缓存矩阵大小。 通常，使用非确定性RDD可能导致错误。

4.1 RowMatrix

RowMatrix是面向行的分布式矩阵，没有有意义的行索引，由其行的RDD支持，其中每行是本地向量。由于每一行都由局部向量表示，因此列数受整数范围的限制，但实际上它应该小得多。

可以从JavaRDD <Vector>实例创建RowMatrix。 然后我们可以计算其列摘要统计信息。

JavaRDD<Vector> rows = context
				.parallelize(Arrays.asList(Vectors.dense(1.0, 2.0, 3.0), Vectors.dense(2.0, 5.0, 4.0)));
		RowMatrix matrix = new RowMatrix(rows.rdd());
		
		//获取矩阵大小
		long m=matrix.numRows(); //2
		long n=matrix.numCols(); //3
		System.out.println(m+" "+n);

// QR分解
		QRDecomposition<RowMatrix, Matrix> result = matrix.tallSkinnyQR(false);
		System.out.println(result.Q());
		
		System.out.println(result.R());

4.2IndexedRowMatrix

IndexedRowMatrix类似于RowMatrix但具有有意义的行索引。 它由索引行的RDD支持，因此每行由其索引（long-typed）和本地向量表示。

JavaRDD<IndexedRow> rows = ... // a JavaRDD of indexed rows
// Create an IndexedRowMatrix from a JavaRDD<IndexedRow>.
IndexedRowMatrix mat = new IndexedRowMatrix(rows.rdd());

// Get its size.
long m = mat.numRows();
long n = mat.numCols();
// Drop its row indices.
RowMatrix rowMat = mat.toRowMatrix();

4.3 CoordinateMatrix

CoordinateMatrix是由其条目的RDD支持的分布式矩阵。每个条目都是（i：Long，j：Long，value：Double）的元组，其中i是行索引，j是列索引，value是条目值。只有当矩阵的两个维度都很大且矩阵非常稀疏时，才应使用CoordinateMatrix。

可以从JavaRDD <MatrixEntry>实例创建CoordinateMatrix，其中MatrixEntry是一个包装器（long，long，double）。通过调用toIndexedRowMatrix，可以将CoordinateMatrix转换为具有稀疏行的IndexedRowMatrix。目前不支持CoordinateMatrix的其他计算。

JavaRDD<MatrixEntry> entries = ... // a JavaRDD of matrix entries
// Create a CoordinateMatrix from a JavaRDD<MatrixEntry>.
CoordinateMatrix mat = new CoordinateMatrix(entries.rdd());

// Get its size.
long m = mat.numRows();
long n = mat.numCols();

// Convert it to an IndexRowMatrix whose rows are sparse vectors.
IndexedRowMatrix indexedRowMatrix = mat.toIndexedRowMatrix();

4.4 BlockMatrix

BlockMatrix是由MatrixBlocks的RDD支持的分布式矩阵，其中MatrixBlock是（（Int，Int），Matrix）的元组，其中（Int，Int）是块的索引，而Matrix是给定索引处的子矩阵，其大小为rowsPerBlock x colsPerBlock。 BlockMatrix支持添加和乘以另一个BlockMatrix等方法。BlockMatrix还有一个辅助函数validate，可用于检查BlockMatrix是否设置正确。

通过调用toBlockMatrix，可以从IndexedRowMatrix或CoordinateMatrix轻松创建BlockMatrix。toBlockMatrix默认创建大小为1024 x 1024的块。 用户可以通过toBlockMatrix（rowsPerBlock，colsPerBlock）提供值来更改块大小。

JavaRDD<MatrixEntry> entries = ... // a JavaRDD of (i, j, v) Matrix Entries
// Create a CoordinateMatrix from a JavaRDD<MatrixEntry>.
CoordinateMatrix coordMat = new CoordinateMatrix(entries.rdd());
// Transform the CoordinateMatrix to a BlockMatrix
BlockMatrix matA = coordMat.toBlockMatrix().cache();

// Validate whether the BlockMatrix is set up properly. Throws an Exception when it is not valid.
// Nothing happens if it is valid.
matA.validate();

// Calculate A^T A.
BlockMatrix ata = matA.transpose().multiply(matA);