Pyspark:使用过滤器进行特征选择

Question

我有一个尺寸为500 x 26的数组。使用pyspark中的filter操作，我想挑选出列在第I行的另一个数组中的列。例如：if
a[i]= [1 2 3]

然后选择第1列、第2列和第3列以及所有行。这可以用filter命令完成吗？如果是，有人能给我举个例子或语法吗？在

Answer 1

听起来你需要过滤列，但不是记录。为此，您需要使用Spark的map函数来转换表示为RDD的数组中的每一行。请参见我的示例：

# generate 13 x 10 array and creates rdd with 13 records, each record contains a list with 10 elements
rdd = sc.parallelize([range(10) for i in range(13)])

def make_selector(cols):
    """use closure to configure select_col function
    :param cols: list - contains columns' indexes to select from every record
    """
    def select_cols(record):
            return [record[c] for c in cols]
    return select_cols

s = make_selector([1,2])
s([0,1,2])
>>> [1, 2]

rdd.map(make_selector([0, 3, 9])).take(5)

结果

^{pr2}$

Answer 2

这与@vvladymyrov的答案基本相同，但没有闭包：

rdd = sc.parallelize([range(10) for i in range(13)])
columns = [0,3,9]
rdd.map(lambda record: [record[c] for c in columns]).take(5)

结果

^{pr2}$