我希望使用Flink-HBase插件读取数据,该数据将作为Flink机器学习算法(SVM和MLR)的输入。目前,我首先将提取的数据写入临时文件,然后通过libSVM方法读取它,但我认为应该有更高级的方法。您有代码片段或想法吗?
MLUtils.readLibSVM
进行读取。原因如下。
MLUtils.readLibSVM
期望的是一个文本文件,其中每一行都是稀疏特征向量及其关联标签。它采用以下格式表示标签-特征向量对:<line> .=. <label> <feature>:<value> <feature>:<value> ... <feature>:<value> # <info>
其中<feature>
是特征向量中后续value
的索引。 MLUtils.readLibSVM
可以读取这种格式的文件,并将每行转换为LabeledVector
实例。因此,在读取libSVM文件后,您将获得一个DataSet[LabeledVector]
。这正是您需要用于SVM
和MultipleLinearRegression
预测器的输入格式。
但是,根据从HBase获取的数据格式,您首先必须将数据转换为libSVM
格式。否则,MLUtils.readLibSVM
将无法读取写入的文件。如果您转换数据,则还可以直接将数据转换为DataSet[LabeledVector]
并将其用作Flink的ML算法的输入。这避免了不必要的磁盘循环。
如果您从HBase获取一个DataSet[String]
,其中每个字符串都具有libSVM
格式(请参见上面的规范),那么您可以在HBaseDataSet
上应用以下映射函数的map
操作。
val hbaseInput: DataSet[String] = ...
val labelCOODS = hbaseInput.flatMap {
line =>
// remove all comments which start with a '#'
val commentFreeLine = line.takeWhile(_ != '#').trim
if(commentFreeLine.nonEmpty) {
val splits = commentFreeLine.split(' ')
val label = splits.head.toDouble
val sparseFeatures = splits.tail
val coos = sparseFeatures.map {
str =>
val pair = str.split(':')
require(
pair.length == 2,
"Each feature entry has to have the form <feature>:<value>")
// libSVM index is 1-based, but we expect it to be 0-based
val index = pair(0).toInt - 1
val value = pair(1).toDouble
(index, value)
}
Some((label, coos))
} else {
None
}
// Calculate maximum dimension of vectors
val dimensionDS = labelCOODS.map {
labelCOO =>
labelCOO._2.map( _._1 + 1 ).max
}.reduce(scala.math.max(_, _))
val labeledVectors: DataSet[LabeledVector] =
labelCOODS.map{ new RichMapFunction[(Double, Array[(Int, Double)]), LabeledVector] {
var dimension = 0
override def open(configuration: Configuration): Unit = {
dimension = getRuntimeContext.getBroadcastVariable(DIMENSION).get(0)
}
override def map(value: (Double, Array[(Int, Double)])): LabeledVector = {
new LabeledVector(value._1, SparseVector.fromCOO(dimension, value._2))
}
}}.withBroadcastSet(dimensionDS, DIMENSION)
LabeledVectors
数据集。错误:(102,29)java:不兼容的类型:'org.apache.flink.api.java.DataSet<java.lang.String>不能转换为org.apache.flink.api.scala.DataSet<java.lang.String>'
- MsIcklerlyorg.apache.flink.api.scala.Dataset[String]
。 - Till Rohrmann