PySpark多组数据K-Means聚类教程

本文旨在解决PySpark中对不同类别数据独立执行K-Means聚类时遇到的`SparkSession`序列化错误。我们将深入探讨Spark的驱动器-执行器架构，解释为何不能在执行器中调用`createDataFrame`等`SparkSession`操作。文章将提供一个基于Spark ML库的解决方案，通过迭代方式在驱动器上为每个类别独立运行K-Means，并给出详细的代码示例和注意事项，帮助读者正确高效地实现分类数据聚类任务。

在PySpark中，对数据进行K-Means聚类是常见的机器学习任务。当需要针对数据集中的不同类别（或分组）独立执行K-Means时，开发者可能会遇到一些挑战，尤其是涉及到Spark的分布式执行模型和对象序列化问题。一个常见的错误是尝试在Spark执行器（executor）中调用SparkSession相关的方法，例如createDataFrame，这会导致pickle.PicklingError。

理解Spark的分布式执行与序列化

Spark采用驱动器-执行器（Driver-Executor）架构。

• 驱动器（Driver）：负责运行应用程序的main函数，创建SparkSession，调度任务，并协调执行器的工作。所有SparkSession对象都存在于驱动器上。
• 执行器（Executor）：运行在工作节点上，负责执行由驱动器分配的任务。当驱动器将任务发送给执行器时，任务中的所有对象（包括函数、变量等）都必须能够被序列化（pickled），以便通过网络传输到执行器。

SparkSession是一个复杂的、与JVM紧密关联的驱动器端对象。它无法被序列化并发送到执行器。因此，任何尝试在执行器中（例如，在一个RDD的map或foreach转换中）直接引用或使用SparkSession对象来创建新的DataFrame，都将导致序列化错误。

为什么sparkSession.createDataFrame在执行器中会失败？

在您提供的原始代码片段中，kmeans函数被设计为在RDD的map操作中执行：

groupedData.rdd.map(lambda row: kmeans(row.point_list, row.category))

def kmeans(points, category):
  # ...
  df = sparkSession.createDataFrame([(Vectors.dense(x),) for x in points], ["features"])
  # ...

这里的kmeans函数会在执行器上运行。当它尝试调用sparkSession.createDataFrame时，执行器会发现它没有一个可用的sparkSession实例，或者更准确地说，它无法反序列化从驱动器传递过来的sparkSession引用。这就是导致pickle.PicklingError和Py4JError的根本原因。createDataFrame需要一个活动的SparkSession实例来构建DataFrame，而这个实例只能在驱动器上访问。

使用Spark MLlib/ML实现按类别K-Means聚类

为了正确地在PySpark中实现按类别K-Means聚类，同时避免上述序列化问题，我们应该将SparkSession相关的操作保留在驱动器上。以下是一种推荐的实现方法，它利用Spark ML库的K-Means算法，并在驱动器上迭代处理每个类别。

1. 初始化Spark会话并加载数据

首先，确保您的Spark会话已正确初始化，并且能够访问Hive表。

from pyspark.sql import SparkSession
from pyspark.ml.clustering import KMeans
from pyspark.ml.feature import VectorAssembler
from pyspark.ml.linalg import Vectors, VectorUDT
from pyspark.sql.functions import col, udf
from pyspark.sql.types import ArrayType, DoubleType

# 初始化SparkSession并启用Hive支持
spark = SparkSession.builder \
    .appName("PerCategoryKMeans") \
    .enableHiveSupport() \
    .getOrCreate()

# 从Hive表加载原始数据
# 假设您的Hive表 'my_table' 包含 'category' 字符串列和 'point' 数组（或列表）列
# 'point' 列的每个元素代表一个数据点的特征向量，例如 [1.0, 2.0, 3.0]
rawData = spark.sql('select category, point from my_table')

# 打印数据模式以确认 'point' 列的类型
rawData.printSchema()
# 示例：
# root
#  |-- category: string (nullable = true)
#  |-- point: array (nullable = true)
#  |    |-- element: double (containsNull = true)

2. 数据预处理：将特征转换为Vector类型

Spark ML库的K-Means算法要求输入DataFrame包含一个features列，其类型为VectorUDT（即pyspark.ml.linalg.Vector）。如果您的point列已经是数值数组类型（ArrayType(DoubleType)），我们需要将其转换为VectorUDT。

# 定义一个UDF，将Python列表（或ArrayType）转换为Spark的VectorUDT
# VectorUDT 是pyspark.ml.linalg.Vector的内部表示类型
array_to_vector_udf = udf(lambda arr: Vectors.dense(arr), VectorUDT())

# 将 'point' 列转换为 'features' 列，类型为VectorUDT
preparedData = rawData.withColumn("features", array_to_vector_udf(col("point")))

preparedData.printSchema()
# 示例：
# root
#  |-- category: string (nullable = true)
#  |-- point: array (nullable = true)
#  |    |-- element: double (containsNull = true)
#  |-- features: vector (nullable = true)

如果point列是一个单一的数值列，或者有多个独立的数值列需要组合成特征向量，则应使用VectorAssembler：

# 假设 'point_x', 'point_y' 是独立的数值列
# assembler = VectorAssembler(inputCols=["point_x", "point_y"], outputCol="features")
# preparedData = assembler.transform(rawData)

请根据您的实际数据结构选择合适的特征转换方法。

3. 迭代执行K-Means聚类

接下来，我们将在驱动器上迭代处理每个类别。这种方法虽然在驱动器上循环，但每次K-Means的fit和transform操作仍然会利用Spark集群的分布式能力。

# 获取所有不重复的类别
categories = preparedData.select("category").distinct().collect()

all_results = {} # 用于存储所有类别的聚类结果

# 遍历每个类别
for row in categories:
    category = row.category
    print(f"--- 正在处理类别: {category} ---")

    # 过滤出当前类别的数据
    category_df = preparedData.filter(col("category") == category)

    # 检查当前类别是否有足够的数据进行聚类
    # K-Means通常需要至少k个点，或者更多，以获得有意义