在 PySpark 中将向量数据拆分为列
将包含向量数据的“向量”列转换为多列（每列一个）的问题向量的维度，在数据分析和机器学习中经常出现。这个问题在 Apache PySpark 的上下文中解决了这个问题。
使用 Spark 进行提取 >= 3.0.0
对于 Spark 版本 3.0.0 及更高版本，简化可以使用 vector_to_array 函数使用该方法：
<code class="python">from pyspark.ml.functions import vector_to_array
(df
.withColumn("xs", vector_to_array("vector")))
.select(["word"] + [col("xs")[i] for i in range(3)]))</code>这将创建一个新列 xs，其中包含包含向量元素的数组。
使用 Spark 进行提取
使用 Spark 进行提取3.0.0
对于3.0.0之前的Spark版本，可以使用以下方法：
转换为RDD并提取
:<code class="python">def extract(row):
return (row.word, ) + tuple(row.vector.toArray().tolist())
df.rdd.map(extract).toDF(["word"])</code>将 DataFrame 转换为 RDD 并按元素提取向量值：
UDF 方法
:<code class="python">from pyspark.sql.functions import udf, col
from pyspark.sql.types import ArrayType, DoubleType
def to_array(col):
def to_array_(v):
return v.toArray().tolist()
return udf(to_array_, ArrayType(DoubleType())).asNondeterministic()(col)
(df
.withColumn("xs", to_array(col("vector")))
.select(["word"] + [col("xs")[i] for i in range(3)]))</code>定义一个用户定义函数（UDF ）将向量列转换为数组：
这两种方法都会将向量元素提取到单独的列中，以便进一步分析和使用。以上是如何在 PySpark 中将矢量数据拆分为列？的详细内容。更多信息请关注PHP中文网其他相关文章！
