向量¶
-
類
pyspark.mllib.linalg。向量¶ -
工廠方法來處理向量。
筆記
密集的向量是簡單地表示為NumPy數組對象,所以不需要秘密MLlib使用。對於稀疏向量,在這個類創建一個工廠方法MLlib-compatible類型,或者用戶可以通過SciPyscipy.sparse列向量。
方法
密集的(*元素)創建一個密集的64位浮點數向量Python列表或數字。
fromML(vec)從新mllib-local轉換一個向量表示。
規範(向量,p)找到規範給定的向量。
解析(年代)解析字符串表示回向量。
稀疏的(大小、* args)創建一個稀疏的向量,使用字典,(指數、價值)對的列表,或兩個獨立的指標和數組值(按指數排序)。
squared_distance(v1、v2)方兩個向量之間的距離。
stringify(向量)將一個向量轉換成一個字符串,可以被Vectors.parse ()。
0(大小)方法的文檔
-
靜態
密集的( *元素:聯盟(浮動,字節,numpy.ndarray,Iterable(浮動]] )→pyspark.mllib.linalg.DenseVector ¶ -
創建一個密集的64位浮點數向量Python列表或數字。
例子
> > >向量。密集的([1,2,3])DenseVector ((1.0, 2.0, 3.0))> > >向量。密集的(1.0,2.0)DenseVector ([1.0, 2.0])
-
靜態
fromML( vec:pyspark.ml.linalg.DenseVector )→pyspark.mllib.linalg.DenseVector ¶ -
從新mllib-local轉換一個向量表示。這並不複製數據;它複製引用。
-
靜態
規範( 向量:pyspark.mllib.linalg.Vector,p:NormType )→numpy.float64¶ -
找到規範給定的向量。
-
靜態
解析( 年代:str )→pyspark.mllib.linalg.Vector ¶ -
解析字符串表示回向量。
例子
> > >向量。解析((2,1,2)的)DenseVector ((2.0, 1.0, 2.0))> > >向量。解析(”(100年,[0],[2])”)SparseVector(100年,{0:2.0})
-
靜態
稀疏的( 大小:int,*arg遊戲:聯盟(字節,元組(int,浮動],Iterable(浮動],Iterable(元組(int,浮動]],Dict(int,浮動]] )→pyspark.mllib.linalg.SparseVector ¶ -
創建一個稀疏的向量,使用字典,(指數、價值)對的列表,或兩個獨立的指標和數組值(按指數排序)。
- 參數
-
- 大小 int
-
向量的大小。
- arg遊戲
-
非零元素,作為一個字典,元組的列表,或兩個排序的列表包含指數和價值觀。
例子
> > >向量。稀疏的(4,{1:1.0,3:5.5})SparseVector (4, {1: 1.0, 3: 5.5})> > >向量。稀疏的(4,((1,1.0),(3,5.5)))SparseVector (4, {1: 1.0, 3: 5.5})> > >向量。稀疏的(4,(1,3),(1.0,5.5])SparseVector (4, {1: 1.0, 3: 5.5})
-
靜態
squared_distance( v1:pyspark.mllib.linalg.Vector,v2:pyspark.mllib.linalg.Vector )→numpy.float64¶ -
方兩個向量之間的距離。a和b可以SparseVector類型,DenseVector, np。ndarray或array.array。
例子
> > >一個=向量。稀疏的(4,((0,1),(3,4)))> > >b=向量。密集的([2,5,4,1])> > >一個。squared_distance(b)51.0
-
靜態
stringify( 向量:pyspark.mllib.linalg.Vector )→str¶ -
將一個向量轉換成一個字符串,可以被Vectors.parse ()。
例子
> > >向量。stringify(向量。稀疏的(2,(1),(1.0)))(2)[1],[1.0])”> > >向量。stringify(向量。密集的([0.0,1.0)))“[0.0,1.0]”
-
靜態
0( 大小:int )→pyspark.mllib.linalg.DenseVector ¶
-
靜態