我有一个使用Spark的VectorAssembler打包成矢量向量的特征列，如下所示。 data是输入数据帧(类型spark.sql.DataFrame)。将特征的Spark向量转换为数组
val featureCols = Array("feature_1","feature_2","feature_3")
val featureAssembler = new VectorAssembler().setInputCols(featureCols).setOutputCol("features")
val dataWithFeatures = featureAssembler.transform(data)
我开发使用Classifier和ClassificationModel开发API的自定义分类。 ClassificationModel需要开发一个predictRaw()函数，该函数从模型输出预测标签的向量。
def predictRaw(features: FeaturesType) : Vector
这个功能是通过该API集和需要一个参数，的FeaturesType特征，并输出向量(这在我的情况下，我要带去是火花DenseVector作为DenseVector延伸Vector性状)。
由于VectorAssembler的包装，features列的类型为Vector，每个元素本身就是一个向量，它是每个训练样本的原始特征的向量。例如：
设有柱 - 型的矢量
[1.0，2.0，3.0] - 元素1，本身的矢量
[3.5，4.5，5.5] - element2的，本身的载体
我需要将这些功能提取到Array[Double]以实现我的predictRaw()逻辑。理想情况下，我想下面的结果，以保持基数：
`val result: Array[Double] = Array(1.0, 3.5, 2.0, 4.5, 3.0, 4.5)`
即在列优先的顺序，我会变成一个矩阵。
我已经试过：
val array = features.toArray // this gives an array of vectors and doesn't work
我也试着输入功能作为一个数据帧的对象，而不是一个向量，但API期待一个向量，由于特征从VectorAssembler包装。例如，该功能本身的工作原理，但并不符合API，因为它的预期FeaturesType是矢量，而不是数据帧：
def predictRaw(features: DataFrame) :DenseVector = {
val featuresArray: Array[Double] = features.rdd.map(r => r.getAs[Vector](0).toArray).collect
//rest of logic would go here
}
我的问题是features的类型Vector，不DataFrame的。另一种选择可能是打包features作为DataFrame，但我不知道如何做到这一点，而不使用VectorAssembler。