这个问题的最佳解决方案可能是使用ml库及其模型，因为它们直接作用于Dataframe。
http://spark.apache.org/docs/latest/api/python/pyspark.ml.html?highlight=ml#module-pyspark.ml.分类
然而，mlapi还没有达到与mllib的功能奇偶性，您需要的东西可能丢失了。因此，我们在工作流中通过调用hive上下文检索到的Dataframe上的Map来解决这个问题。

from pyspark import SparkContext, HiveContext
from pyspark.mllib.regression import LabeledPoint
from pyspark.mllib.classification import LogisticRegressionWithLBFGS

table_name = "MyTable"
target_col = "MyTargetCol"

sc = SparkContext()
hc = HiveContext(sc)

# get the table from the hive context

df = hc.table(table_name) 

# reorder columns so that we know the index of the target column

df = df.select(target_col, *[col for col in dataframe.columns if col != target_col])

# map through the data to produce an rdd of labeled points

rdd_of_labeled_points = df.map(lambda row: LabeledPoint(row[0], row[1:]))

# use the rdd as input to a model

model = LogisticRegressionWithLBFGS.train(rdd_of_labeled_points)

请记住，无论何时使用python进行Map，都需要将数据从jvm封送到python vm，因此性能会受到影响。我们发现使用Map对性能的影响对于我们的数据来说可以忽略不计，但是您的里程数可能会有所不同。