PySpark AnalysisException:无法解析列名

Question

我正在试图解决以下错误，我已经看到了这方面的一些帖子，但无法解决。 org.apache.spark.sql.AnalysisException:无法解析*所有列中的列名“features”

我尝试过的事情：

tempList = [] 
for col in Df.columns:
    new_name = col.strip()
    new_name = "".join(new_name.split())
    new_name = new_name.replace('.','')
    tempList.append(new_name) 
Df = Df.toDF(*tempList) 

我的Spark数据框中只有6列，所有的只有有字符和下划线。 数据帧的方案：

StructType(List(StructField(A,ShortType,true),StructField(B,ShortType,true),StructField(C,IntegerType,true),StructField(D,IntegerType,true),StructField(E,StringType,true),StructField(F,DoubleType,true),StructField(G,IntegerType,true)))

我正试图从这里实现PCA，https://www.nodalpoint.com/pca-in-spark-1-5/

参考代码：

df = sc.parallelize([[1,2,3], [2,3,4]]).toDF(("a_1", "b", "c"))

def estimateCovariance(df):
    m = df.select(df['features']).map(lambda x: x[0]).mean()
    dfZeroMean = df.select(df['features']).map(lambda x: x[0]).map(lambda x: x-m)  # subtract the mean

    return dfZeroMean.map(lambda x: np.outer(x,x)).sum()/df.count()

def pca(df, k=2):
  cov = estimateCovariance(df)
  col = cov.shape[1]
  eigVals, eigVecs = eigh(cov)
  inds = np.argsort(eigVals)
  eigVecs = eigVecs.T[inds[-1:-(col+1):-1]]  
  components = eigVecs[0:k]
  eigVals = eigVals[inds[-1:-(col+1):-1]]  # sort eigenvalues
  score = df.select(df['features']).map(lambda x: x[0]).map(lambda x: np.dot(x, components.T) )
  scoreDF = sqlContext.createDataFrame(score.map(lambda x: (DenseVector(x),)), ['pca_features'])
  # Return the `k` principal components, `k` scores, and all eigenvalues

  return components.T, scoreDF, eigVals

comp, score, eigVals = pca(df)
score.collect()

对可能出现的问题有什么想法吗

Answer 1

从您链接到的文章中：

The input to our pca procedure consists of a Spark dataframe, which includes a column named features containing the features as DenseVectors.

再进一步，我们将为您提供一个如何构建示例数据集的示例：

>>> data = [(Vectors.dense([0.0, 1.0, 0.0, 7.0, 0.0]),),
...     (Vectors.dense([2.0, 0.0, 3.0, 4.0, 5.0]),),
...     (Vectors.dense([4.0, 0.0, 0.0, 6.0, 7.0]),)]
>>> df = sqlContext.createDataFrame(data,["features"])

数据集包含许多不同列中的数据。你需要把它转换成一列向量。Spark ML有一个用于此的工具，即pyspark.ml.feature.^{}

在您的情况下，您需要以下内容：

from pyspark.ml.feature import VectorAssembler

vectorAssembler = VectorAssembler(inputCols=["a_1", "b", "c"], outputCol="features")
comp, score, eigVals = pca(vectorAssembler.transform(df))

Answer 2

看起来您没有列features-如果我正确理解了这个问题，那么本例中的所有列都是特性，因此您可能希望选择所有列