這篇文章將為大家詳細(xì)講解有關(guān)如何解析Spark-MLlib中的向量，文章內(nèi)容質(zhì)量較高，因此小編分享給大家做個(gè)參考，希望大家閱讀完這篇文章后對(duì)相關(guān)知識(shí)有一定的了解。

創(chuàng)新互聯(lián)長(zhǎng)期為超過(guò)千家客戶(hù)提供的網(wǎng)站建設(shè)服務(wù)，團(tuán)隊(duì)從業(yè)經(jīng)驗(yàn)10年，關(guān)注不同地域、不同群體，并針對(duì)不同對(duì)象提供差異化的產(chǎn)品和服務(wù)；打造開(kāi)放共贏(yíng)平臺(tái)，與合作伙伴共同營(yíng)造健康的互聯(lián)網(wǎng)生態(tài)環(huán)境。為行唐企業(yè)提供專(zhuān)業(yè)的成都網(wǎng)站設(shè)計(jì)、成都網(wǎng)站制作、外貿(mào)網(wǎng)站建設(shè)，行唐網(wǎng)站改版等技術(shù)服務(wù)。擁有十多年豐富建站經(jīng)驗(yàn)和眾多成功案例,為您定制開(kāi)發(fā)。

矩陣轉(zhuǎn)置

向量

Spark 向量是以對(duì)象形式存儲(chǔ)的

Vector

scala> import org.apache.spark.mllib.linalg.{Vectors,Vector}import org.apache.spark.mllib.linalg.{Vectors, Vector}scala> Vectors.dense(1,2,3,4)res0: org.apache.spark.mllib.linalg.Vector = [1.0,2.0,3.0,4.0]scala> breeze.linalg.DenseVector(1,2,3,4)res1: breeze.linalg.DenseVector[Int] = DenseVector(1, 2, 3, 4)scala> res1.tres2: breeze.linalg.Transpose[breeze.linalg.DenseVector[Int]] = Transpose(DenseVector(1, 2, 3, 4))scala> res1+res1res3: breeze.linalg.DenseVector[Int] = DenseVector(2, 4, 6, 8)scala> res1*res1.tres4: breeze.linalg.DenseMatrix[Int] =1  2  3   42  4  6   83  6  9   124  8  12  16

關(guān)于如何解析Spark-MLlib中的向量就分享到這里了，希望以上內(nèi)容可以對(duì)大家有一定的幫助，可以學(xué)到更多知識(shí)。如果覺(jué)得文章不錯(cuò)，可以把它分享出去讓更多的人看到。