Zeppelinノートブックのスパークを使用して、私は昨日からこのエラーが発生しました。 は、ここに私のコードです:IllegalArgumentException:kmeans.fitでu'requirement failed 'が発生しました
from pyspark.ml.clustering import KMeans
from pyspark.ml.feature import VectorAssembler
df = sqlContext.table("rfmdata_clust")
k = 4
# Set Kmeans input/output columns
vecAssembler = VectorAssembler(inputCols=["v1_clust", "v2_clust", "v3_clust"], outputCol="features")
featuresDf = vecAssembler.transform(df)
# Run KMeans
kmeans = KMeans().setInitMode("k-means||").setK(k)
model = kmeans.fit(featuresDf)
resultDf = model.transform(featuresDf)
# KMeans WSSSE
wssse = model.computeCost(featuresDf)
print("Within Set Sum of Squared Errors = " + str(wssse))
そして、ここでエラーです:
Traceback (most recent call last):
File "/tmp/zeppelin_pyspark-8890997346928959256.py", line 346, in <module>
raise Exception(traceback.format_exc())
Exception: Traceback (most recent call last):
File "/tmp/zeppelin_pyspark-8890997346928959256.py", line 334, in <module>
exec(code)
File "<stdin>", line 8, in <module>
File "/usr/lib/spark/python/pyspark/ml/base.py", line 64, in fit
return self._fit(dataset)
File "/usr/lib/spark/python/pyspark/ml/wrapper.py", line 236, in _fit
java_model = self._fit_java(dataset)
File "/usr/lib/spark/python/pyspark/ml/wrapper.py", line 233, in _fit_java
return self._java_obj.fit(dataset._jdf)
File "/usr/lib/spark/python/lib/py4j-0.10.4-src.zip/py4j/java_gateway.py", line 1133, in __call__
answer, self.gateway_client, self.target_id, self.name)
File "/usr/lib/spark/python/pyspark/sql/utils.py", line 79, in deco
raise IllegalArgumentException(s.split(': ', 1)[1], stackTrace)
IllegalArgumentException: u'requirement failed'
エラーがスローラインはkmeans.fit()です。 rfmdata_clustデータフレームをチェックしましたが、それは全く変わっていないようです。
df.printSchema()
ができます:
root
|-- id: string (nullable = true)
|-- v1_clust: double (nullable = true)
|-- v2_clust: double (nullable = true)
|-- v3_clust: double (nullable = true)
featuresDf.printSchema()
ができます:
root
|-- id: string (nullable = true)
|-- v1_clust: double (nullable = true)
|-- v2_clust: double (nullable = true)
|-- v3_clust: double (nullable = true)
|-- features: vector (nullable = true)
他の興味深い点はfeaturesDfの定義の下にfeaturesDf = featuresDf.limit(10000)
を追加すると、コードがエラーなしで実行させることです。たぶんデータのサイズに関係しているのでしょうか?
ご回答いただきありがとうございます。はい、問題は解決されました。そうです、1つか2つのNaN値が原因です。データフレームを制限して動作していたと説明しています。 – Romain