我正在努力实现Spark LDA模型(通过Scala API),并且我的数据必须采用格式化步骤 . 我的原始数据(存储在文本文件中)采用以下格式,基本上是令牌列表及其对应的文档 . 一个简化的例子:
doc XXXXX term XXXXX
1 x 'a' x
1 x 'a' x
1 x 'b' x
2 x 'b' x
2 x 'd' x
...
XXXXX列是垃圾数据的地方我不知道我拥有什么 . 我希望从示例中可以清楚地看出,原始数据中每个标记有一行(因此,如果给定的术语在文档中出现5次,则对应于5行文本) .
在任何情况下,我都需要将这些数据格式化为用于运行Spark LDA模型的稀疏项频率向量,但是我不熟悉Scala,因此遇到了一些麻烦 .
我开始:
import org.apache.spark.mllib.clustering.{LDA, DistributedLDAModel}
import org.apache.spark.mllib.linalg.{Vector, Vectors}
import org.apache.spark.rdd.RDD
val corpus:RDD[Array[String]] = sc.textFile("path/to/data")
.map(_.split('\t')).map(x => Array(x(0),x(2)))
然后我得到生成稀疏向量所需的词汇数据:
val vocab: RDD[String] = corpus.map(_(1)).distinct()
val vocabMap: Map[String, Int] = vocab.collect().zipWithIndex.toMap
我不知道的是在这里使用的正确的映射函数,这样我最终得到每个文档的稀疏项频率向量,然后我可以将其输入到LDA模型中 . 我想我需要这些方面的东西......
val documents: RDD[(Long, Vector)] = corpus.groupBy(_(0)).zipWithIndex
.map(x =>(x._2,Vectors.sparse(vocabMap.size, ???)))
此时我可以运行实际的LDA:
val lda = new LDA().setK(n_topics)
val ldaModel = lda.run(documents)
基本上,我没有应用于每个组的功能,以便我可以将术语频率数据(可能是 map
?)提供给稀疏矢量 . 换句话说,如何在上面的代码片段中填写 ???
以达到预期效果?
1 回答
解决这个问题的一种方法:
确保
spark-csv
包可用将数据加载到DataFrame中并选择感兴趣的列
term
专栏:PairwiseRDD
LabeledPoints
或应用其他处理所需的一切