在Spark中，方法如何处理向量组装列？例如，如果我有经度和纬度列，使用向量组装器将它们组装起来再放入模型中与直接（分别）放入模型中是否有区别？
示例1：
loc_assembler = VectorAssembler(inputCols=['long', 'lat'], outputCol='loc')vector_assembler = VectorAssembler(inputCols=['loc', 'feature1', 'feature2'], outputCol='features')lr = LinearRegression(maxIter=10, regParam=0.3, elasticNetParam=0.8)pipeline = Pipeline(stages=[loc_assembler, vector_assembler, lr])示例2：
vector_assembler = VectorAssembler(inputCols=['long', 'lat', 'feature1', 'feature2'], outputCol='features')lr = LinearRegression(maxIter=10, regParam=0.3, elasticNetParam=0.8)pipeline = Pipeline(stages=[vector_assembler, lr])有什么区别？哪一种更好？
回答：
不会有任何区别，因为在你的两个示例中，features列的最终形式是相同的，即在你的第一个示例中，loc向量会被分解回其各个组成部分。
这里有一个使用虚拟数据的简短演示（不包括线性回归部分，因为它对于此讨论来说是不必要的）：
spark.version# u'2.3.1'# dummy data:df = spark.createDataFrame([[0, 33.3, -17.5, 10., 0.2], [1, 40.4, -20.5, 12., 2.2], [2, 28., -23.9, -2., -1.7], [3, 29.5, -19.0, -0.5, -0.2], [4, 32.8, -18.84, 1.5, 1.8] ], ["id","lat", "long", "other", "label"])from pyspark.ml.feature import VectorAssemblerfrom pyspark.ml.pipeline import Pipelineloc_assembler = VectorAssembler(inputCols=['long', 'lat'], outputCol='loc')vector_assembler = VectorAssembler(inputCols=['loc', 'other'], outputCol='features')pipeline = Pipeline(stages=[loc_assembler, vector_assembler])model = pipeline.fit(df)model.transform(df).show()结果是：
+---+----+------+-----+-----+-------------+-----------------+| id| lat| long|other|label| loc| features|+---+----+------+-----+-----+-------------+-----------------+| 0|33.3| -17.5| 10.0| 0.2| [-17.5,33.3]|[-17.5,33.3,10.0]|| 1|40.4| -20.5| 12.0| 2.2| [-20.5,40.4]|[-20.5,40.4,12.0]|| 2|28.0| -23.9| -2.0| -1.7| [-23.9,28.0]|[-23.9,28.0,-2.0]|| 3|29.5| -19.0| -0.5| -0.2| [-19.0,29.5]|[-19.0,29.5,-0.5]|| 4|32.8|-18.84| 1.5| 1.8|[-18.84,32.8]|[-18.84,32.8,1.5]| +---+----+------+-----+-----+-------------+-----------------+即，features列与你的第二个示例（此处未显示）基本相同，在第二个示例中，你没有使用中间组装的特征loc…
