Özelliklerde dizelerin sütunlarını indekslerken PySpark ile ilgili bir sorunum var. Ben 'x0' için bir kayıp değere sahipApache Spark, eksik özelliklerle karşılaşıldığında NullPointerException'ı atar
x0,x1,x2,x3
asd2s,1e1e,1.1,0
asd2s,1e1e,0.1,0
,1e3e,1.2,0
bd34t,1e1e,5.1,1
asd2s,1e3e,0.2,0
bd34t,1e2e,4.3,1
: İşte benim tmp.csv dosyasıdır. StringIndexer ile https://github.com/seahboonsiew/pyspark-csv sonra indeksleme x0: İlk başta, pyspark_csv kullanarak DataFrame içine csv dosyasından özelliklerini okuyorum
import pyspark_csv as pycsv
from pyspark.ml.feature import StringIndexer
sc.addPyFile('pyspark_csv.py')
features = pycsv.csvToDataFrame(sqlCtx, sc.textFile('tmp.csv'))
indexer = StringIndexer(inputCol='x0', outputCol='x0_idx')
ind = indexer.fit(features).transform(features)
print ind.collect()
'() ind.collect '' Kıvılcım java.lang.NullPointerException atar' çağıran . Her şey, örneğin, 'x1' için olsa tam bir veri kümesi için iyi çalışır.
Buna neyin neden olduğu ve nasıl düzeltileceği konusunda bir ipucu var mı?
Şimdiden teşekkürler!
Sergey
Güncelleme:
Ben Spark 1.5.1 kullanın. Tam hata:
File "/spark/spark-1.4.1-bin-hadoop2.6/python/pyspark/sql/dataframe.py", line 258, in show
print(self._jdf.showString(n))
File "/spark/spark-1.4.1-bin-hadoop2.6/python/lib/py4j-0.8.2.1-src.zip/py4j/java_gateway.py", line 538, in __call__
File "/spark/spark-1.4.1-bin-hadoop2.6/python/lib/py4j-0.8.2.1-src.zip/py4j/protocol.py", line 300, in get_return_value
py4j.protocol.Py4JJavaError: An error occurred while calling o444.showString.
: java.lang.NullPointerException
at org.apache.spark.sql.types.Metadata$.org$apache$spark$sql$types$Metadata$$hash(Metadata.scala:208)
at org.apache.spark.sql.types.Metadata$$anonfun$org$apache$spark$sql$types$Metadata$$hash$2.apply(Metadata.scala:196)
at org.apache.spark.sql.types.Metadata$$anonfun$org$apache$spark$sql$types$Metadata$$hash$2.apply(Metadata.scala:196)
... etc
Ben, okuma csv dosyası olmadan
df = sqlContext.createDataFrame(
[('asd2s','1e1e',1.1,0), ('asd2s','1e1e',0.1,0),
(None,'1e3e',1.2,0), ('bd34t','1e1e',5.1,1),
('asd2s','1e3e',0.2,0), ('bd34t','1e2e',4.3,1)],
['x0','x1','x2','x3'])
aynı DataFrame oluşturmak için denedim ve aynı hatayı veriyor. Sadece Scala aynı sorun keşfettiğinizi
, bu yüzden Kıvılcım böcek değil PySpark sadece sanırım: Biraz farklı örnek
df = sqlContext.createDataFrame(
[(0, None, 1.2), (1, '06330986ed', 2.3),
(2, 'b7584c2d52', 2.5), (3, None, .8),
(4, 'bd17e19b3a', None), (5, '51b5c0f2af', 0.1)],
['id', 'x0', 'num'])
// after indexing x0
+---+----------+----+------+
| id| x0| num|x0_idx|
+---+----------+----+------+
| 0| null| 1.2| 0.0|
| 1|06330986ed| 2.3| 2.0|
| 2|b7584c2d52| 2.5| 4.0|
| 3| null| 0.8| 0.0|
| 4|bd17e19b3a|null| 1.0|
| 5|51b5c0f2af| 0.1| 3.0|
+---+----------+----+------+
Update, 2 gayet iyi çalışıyor. 'X 0' özelliğini dizine Özellikle, veri çerçevesi
val df = sqlContext.createDataFrame(
Seq(("asd2s","1e1e",1.1,0), ("asd2s","1e1e",0.1,0),
(null,"1e3e",1.2,0), ("bd34t","1e1e",5.1,1),
("asd2s","1e3e",0.2,0), ("bd34t","1e2e",4.3,1))
).toDF("x0","x1","x2","x3")
java.lang.NullPointerException atar.
val df = sqlContext.createDataFrame(
Seq((0, null, 1.2), (1, "b", 2.3),
(2, "c", 2.5), (3, "a", 0.8),
(4, "a", null), (5, "c", 0.1))
).toDF("id", "x0", "num")
bende aşağıdaki veriler çerçevesinde 'x0' dizine eklerken Üstelik: 5 vektöründe 'num' değeri eksik neden olan 'java.lang.UnsupportedOperationException türü için Şeması Herhangi desteklenmemektedir' . Eğer bir sayıyı bir sayı ile değiştirirse, 1. vektörde eksik değer bile olsa iyi çalışır.
Ayrıca, Spark'in (1.4.1) eski sürümlerini denedim ve sonuç aynı.