一、spark 数据类型(Data Types)

Data Types - MLlib（数据类型）

 

    MLlib支持存储在单机上的局部向量和局部矩阵，也可以支持通过一个或多个RDD(可伸缩数据集)表示的分布式矩阵。局部向量和局部矩阵是用作公共接口的简单数据模型，实际上底层的线性代数运算由Breeze （机器学习和数值运算的Scala库）和 jblas (Java线性代数运算库)提供。在有监督机器学习中，MLlib使用标记点(labeled point)来表示单个训练语料。

 

局部向量[Local vector]:

局部向量存储在单机上，使用整数表示索引，索引从0开始；使用双精度浮点数(double)存储数值。MLlib支持两种类型的局部向量：密集型和稀疏型。密集向量(dense vector)使用double数组表示元素值，而稀疏向量(sparse vector)通过两个并列的数组来表示：一个表示索引，一个表示数值。例如：向量(1.0, 0.0, 3.0)使用密集型可表示为：[1.0, 0.0, 3.0], 而使用稀疏型可以表示为：(3, [0, 2], [1.0, 3.0]], 其中3是向量的长度。

 

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

// Create a dense vector (1.0, 0.0, 3.0).
Vector dv = Vectors.dense(1.0, 0.0, 3.0);
// Create a sparse vector (1.0, 0.0, 3.0) by specifying its indices and values corresponding to nonzero entries.
Vector sv = Vectors.sparse(3, new int[] {0, 2}, new double[] {1.0, 3.0});

 

标记点[Labeled point]:

标记点是局部向量，向量可以是密集型或者稀疏型，每个向量会关联了一个标签(label)。MLlib的标记点用于有监督学习算法。我们使用double来存储标签值，这样标记点既可以用于回归又可以用于分类。在二分类中，标签要么是0要么是1;在多分类中，标签是0, 1, 2, ….

 

import org.apache.spark.mllib.linalg.Vectors;
import org.apache.spark.mllib.regression.LabeledPoint;

// Create a labeled point with a positive label and a dense feature vector.
LabeledPoint pos = new LabeledPoint(1.0, Vectors.dense(1.0, 0.0, 3.0));

// Create a labeled point with a negative label and a sparse feature vector.
LabeledPoint neg = new LabeledPoint(0.0, Vectors.sparse(3, new int[] {0, 2}, new double[] {1.0, 3.0})); 

 

稀疏数据[Sparse data]:

在实践中经常用到稀疏训练数据。MLlib支持读取LIBSVM格式的训练语料数据，这个是 LIBSVM 和LIBLINERAR 中用到的默认格式(LIBSVM和LIBLINERAR是台湾林智仁教授开发的的SVM库和线性分类器）。这是一种文本格式，每行表示一个标记的稀疏特征向量，示例如下：

 

label index1:value1 index2:value2 ...

 

字符串使用空格分隔，索引从0开始，以递增的训练排列。导入系统后，特征索引自动转为从0开始索引。

import org.apache.spark.mllib.regression.LabeledPoint;
import org.apache.spark.mllib.util.MLUtils;
import org.apache.spark.api.java.JavaRDD;

JavaRDD<LabeledPoint> examples = MLUtils.loadLibSVMFile(jsc.sc(), "data/mllib/sample_libsvm_data.txt").toJavaRDD();

 

 

局部矩阵[Local matrix]:

局部矩阵使用整型行列索引和浮点(double)数值,存储在单机上。MLIB支持密集型矩阵，元素值按列优先以double数组的方式存储。例如，下面的矩阵：

会被存储为一维数组[1.0, 3.0, 5.0, 2.0, 4.0, 6.0],矩阵的大小是(3, 2)。

 

import org.apache.spark.mllib.linalg.Matrix;
import org.apache.spark.mllib.linalg.Matrices;

// Create a dense matrix ((1.0, 2.0), (3.0, 4.0), (5.0, 6.0))
Matrix dm = Matrices.dense(3, 2, new double[] {1.0, 3.0, 5.0, 2.0, 4.0, 6.0});

// Create a sparse matrix ((9.0, 0.0), (0.0, 8.0), (0.0, 6.0))
Matrix sm = Matrices.sparse(3, 2, new int[] {0, 1, 3}, new int[] {0, 2, 1}, new double[] {9, 6, 8});

 

分布式矩阵[Distributed matrix]:

基本类型是行矩阵(RowMatrix)。行矩阵按行分布式存储，这个时候行号没有意义。例如，特征向量集就可以表示为行矩阵，通过RDD来支撑矩阵的部分行，每行是一个局部向量。我们认为RowMatrix的列数不是特别巨大，所以单个局部向量可以方便地跟驱动程序交互，并且能够在单个节点上存储和操作。索引行矩阵(IndexedRowMatrix)跟RowMatrix类似，但是IndexedRowMatrix带有行号，从而可以标记行并且执行join操作。坐标矩阵(CoordinateMatrix)是以coordinate list (COO)（COO用于存储稀疏矩阵，以链表的形式(list)存放(rowIndex, colIndex, value）元组）格式存储的分布式矩阵，其底层支撑也是RDD。

注意：分布式矩阵底层的RDD必须是确定的，因为我们缓存了矩阵的大小(size)。通常使用不确定的RDD会导致出错。

 

行矩阵[RowMatrix]:

行矩阵(RowMatrix)按行分布式存储，无行索引，底层支撑结构是多行数据组成的RDD，每行是一个局部向量。正因为每行是局部向量，列数受限于整数的范围，不过在实践中已经够用了。

 

import org.apache.spark.api.java.JavaRDD;
import org.apache.spark.mllib.linalg.Vector;
import org.apache.spark.mllib.linalg.distributed.RowMatrix;

JavaRDD<Vector> rows = ... // a JavaRDD of local vectors
// Create a RowMatrix from an JavaRDD<Vector>.
RowMatrix mat = new RowMatrix(rows.rdd());

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

// QR decomposition
QRDecomposition<RowMatrix, Matrix> result = mat.tallSkinnyQR(true);

 

索引行矩阵[IndexedRowMatrix]:

索引行矩阵(IndexedRowMatrix)跟RowMatrix类似，但是有行索引。其底层支撑结构是索引的行组成的RDD，所以每行可以通过索引(long)和局部向量表示。

 

import org.apache.spark.api.java.JavaRDD;
import org.apache.spark.mllib.linalg.distributed.IndexedRow;
import org.apache.spark.mllib.linalg.distributed.IndexedRowMatrix;
import org.apache.spark.mllib.linalg.distributed.RowMatrix;

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(); 

 

坐标矩阵[CoordinateMatrix]:

坐标矩阵（CoordinateMatrix）也是由RDD做底层结构的分布式矩阵。每个RDD元素是由多个(i : long, j : long, value: Double)组成的元组，其中i是行索引，j是列索引，value是元素值。CoordinateMatrix 只应该应用于矩阵纬度高并且稀疏的情况下。

 

import org.apache.spark.api.java.JavaRDD;
import org.apache.spark.mllib.linalg.distributed.CoordinateMatrix;
import org.apache.spark.mllib.linalg.distributed.IndexedRowMatrix;
import org.apache.spark.mllib.linalg.distributed.MatrixEntry;

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();

 

分块矩阵[BlockMatrix]:

分块矩阵(BlockMatrix)是由RDD支撑的分布式矩阵，RDD中的元素为MatrixBlock。MatrixBlock是多个((Int, Int), Matrix)组成的元组，其中(Int, Int)是分块索引, Matriax是指定索引处的子矩阵, 该矩阵的大小为rowsPerBlock xcolsPerBlock。BlockMatrix支持跟其他BlockMatrix做add(加)和multiply(乘）操作。BlockMatrix还有一个辅助方法validate，这个方法可以检查BlockMatrix是否设置是否恰当。

 

import org.apache.spark.api.java.JavaRDD;
import org.apache.spark.mllib.linalg.distributed.BlockMatrix;
import org.apache.spark.mllib.linalg.distributed.CoordinateMatrix;
import org.apache.spark.mllib.linalg.distributed.IndexedRowMatrix;

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);