Spark ML之高级数据源

一.图像数据源

图像数据源用于从目录加载图像文件，它可以通过ImageIO Java库将压缩图像（jpeg，png等）加载为原始图像表示形式。加载的DataFrame具有一StructType列：“ image”，其中包含存储为图像架构的图像数据。该image列的架构为：

origin ：（StringType代表图像的文件路径）
height：（IntegerType图像的高度）
width：（IntegerType图像的宽度）
nChannels ：（IntegerType图像通道数）
mode：（IntegerType兼容OpenCV的类型）
data：（BinaryType以OpenCV兼容顺序的图像字节：大多数情况下按行BGR）

代码实现：

    val image_df = spark.read.format("image").option("dropInvalid", true)
      .load("D:\\software\\spark-2.4.4\\data\\mllib\\images\\origin\\kittens")

    image_df.schema.printTreeString()

    image_df.select("image.origin", "image.width", "image.height")
      .show(true)

执行结果：

二.LIBSVM数据源

LIBSVM数据源用于从目录加载“ libsvm”类型的文件。加载的DataFrame有两列：包含以double形式存储的标签编号和包含以Vectors存储的特征向量的特征。列的模式为：

label：（DoubleType代表实例标签）
features ：（VectorUDT代表特征向量）

代码实现：

    val libsvm_df = spark.read.format("libsvm").option("numFeatures", "780")
      .load("D:\\software\\spark-2.4.4\\data\\mllib\\sample_libsvm_data.txt")

    libsvm_df.show(10)

执行结果：