Я пытаюсь реализовать агрегированную версию org.apache.spark.mllib.stat.KernelDensity
для одновременной оценки вероятностной функции плотности нескольких распределений.
Идея состоит в том, чтобы иметь фрейм данных, скажем, с двумя столбцами: один для имени группы, второй, содержащий одномерные значения наблюдения (будет 1000 групп, следовательно, потребуется параллельная обработка).
Что я имею в виду примерно так (столбец pdf
будет содержать массив со значениями PDF):
> val getPdf = new PDFGetter(sparkContext)
> df_with_group_and_observation_columns.groupBy("group").agg(getPdf(col("observations")).as("pdf")).show()
Я реализовал User-Defined-Aggrgated-Function, чтобы (надеюсь) сделать это. У меня есть 2 проблемы с текущей реализацией, и я ищу вашего совета:
- По-видимому, невозможно повторно использовать объект
sparkContext
в функцииevaluate()
UDAF. В настоящее время я получаюjava.io.NotSerializableException
, как только UDAF пытается получить доступ к объекту sparkContext (подробности см. ниже). ==> Это нормально? Есть идеи, как это можно исправить? - Текущая реализация UDAF, которая у меня есть, будет получать все наблюдения для каждой группы из фрейма данных (который распространяется), помещать их в
Seq()
(WrappedArray), а затем пытаться запуститьparallelize()
дляSeq()
каждой группы для повторного распределения. наблюдения. Это кажется довольно неэффективным. ==> Есть ли способ для UDAF напрямую "дать" "суб-RDD" каждой группы каждой из своихevaluate()
функций во время выполнения?
Ниже приведен подробный пример того, что у меня есть до сих пор (не обращайте внимания на возвращаемое значение в виде строки вместо массива, я просто хочу посмотреть, можно ли пока заставить плотность ядра работать в UDAF):
Spark context available as 'sc' (master = local[*], app id = local-1514639826952).
Spark session available as 'spark'.
Welcome to
____ __
/ __/__ ___ _____/ /__
_\ \/ _ \/ _ `/ __/ '_/
/___/ .__/\_,_/_/ /_/\_\ version 2.1.0
/_/
scala> sc.toString
res27: String = org.apache.spark.SparkContext@2a96ed1b
scala> val df = Seq(("a", 1.0), ("a", 1.5), ("a", 2.0), ("a", 1.8), ("a", 1.1), ("a", 1.2), ("a", 1.9), ("a", 1.3), ("a", 1.2), ("a", 1.9), ("b", 10.0), ("b", 20.0), ("b", 11.0), ("b", 18.0), ("b", 13.0), ("b", 16.0), ("b", 15.0), ("b", 12.0), ("b", 18.0), ("b", 11.0)).toDF("group", "val")
scala> val getPdf = new PDFGetter(sc)
scala> df.groupBy("group").agg(getPdf(col("val")).as("pdf")).show()
org.apache.spark.SparkException: Task not serializable
...
Caused by: java.io.NotSerializableException: org.apache.spark.SparkContext
Serialization stack:
- object not serializable (class: org.apache.spark.SparkContext, value: org.apache.spark.SparkContext@2a96ed1b)
- field (class: PDFGetter, name: sc, type: class org.apache.spark.SparkContext)
- object (class PDFGetter, PDFGetter@38649ca3)
...
См. определение UDAF ниже (в остальном оно работает хорошо):
import org.apache.spark.sql.functions._
import org.apache.spark.sql.types._
import org.apache.spark.sql.expressions.{MutableAggregationBuffer, UserDefinedAggregateFunction}
import org.apache.spark.sql.Row
import scala.collection.mutable.WrappedArray
import scala.collection.mutable.{ListBuffer, ArrayBuffer}
import org.apache.spark.mllib.stat.KernelDensity
class PDFGetter(var sc: org.apache.spark.SparkContext) extends UserDefinedAggregateFunction {
// Define the schema of the input data,
// intermediate processing (deals with each individual observation within each group)
// and return type of the UDAF
override def inputSchema: StructType = StructType(StructField("result_dbl", DoubleType) :: Nil)
override def bufferSchema: StructType = StructType(StructField("observations", ArrayType(DoubleType)) :: Nil)
override def dataType: DataType = StringType
// The UDAF will always return the same results
// given the same inputs
override def deterministic: Boolean = true
// How to initialize the intermediate processing buffer
// for each group
override def initialize(buffer: MutableAggregationBuffer): Unit = {
buffer(0) = Array.emptyDoubleArray
}
// What to do with each new row within the group
override def update(buffer: MutableAggregationBuffer, input: Row): Unit = {
var values = new ListBuffer[Double]()
values.appendAll(buffer.getAs[List[Double]](0))
val newValue = input.getDouble(0)
values.append(newValue)
buffer.update(0, values)
}
// How to merge 2 buffers located on 2 separate
// executor hosts or JVMs
override def merge(buffer1: MutableAggregationBuffer, buffer2: Row): Unit = {
var values = new ListBuffer[Double]()
values ++= buffer1.getAs[List[Double]](0)
values ++= buffer2.getAs[List[Double]](0)
buffer1.update(0, values)
}
// What to do with the data once intermediate processing
// is completed
override def evaluate(buffer: Row): String = {
// Get the observations
val observations = buffer.getSeq[Double](0) // Or val observations = buffer.getAs[Seq[Double]](0) // Returns a WrappedArray either way
//observations.toString
// Calculate the bandwidth
val nObs = observations.size.toDouble
val mean = observations.sum / nObs
val stdDev = Math.sqrt(observations.map(x => Math.pow(x - mean, 2.0) ).sum / nObs)
val bandwidth = stdDev / 2.5
//bandwidth.toString
// Kernel Density
// From the example at http://spark.apache.org/docs/latest/api/java/index.html#org.apache.spark.sql.Dataset
// val sample = sc.parallelize(Seq(0.0, 1.0, 4.0, 4.0))
// val kd = new KernelDensity()
// .setSample(sample)
// .setBandwidth(3.0)
// val densities = kd.estimate(Array(-1.0, 2.0, 5.0))
// Get the observations as an rdd (required by KernelDensity.setSample)
sc.toString // <==== This fails
val observationsRDD = sc.parallelize(observations)
// Create a new Kernel density object
// for these observations
val kd = new KernelDensity()
kd.setSample(observationsRDD)
kd.setBandwidth(bandwidth)
// Create the points at which
// the PDF will be estimated
val minObs = observations.min
val maxObs = observations.max
val nPoints = Math.min(nObs/2, 1000.0).toInt
val increment = (maxObs - minObs) / nPoints.toDouble
val points = new Array[Double](nPoints)
for( i <- 0 until nPoints){
points(i) = minObs + i.toDouble * increment;
}
// Estimate the PDF and return
val pdf = kd.estimate(points)
pdf.toString
}
}
Приношу свои извинения за длинный пост, но он кажется довольно сложным, поэтому я решил, что все подробности будут полезны любому помощнику.
Спасибо!