1. Flink ML 的数据类型支持范围
Flink ML 支持：
Flink Table API 支持的全部类型
例如：BOOLEAN / INT / BIGINT / DOUBLE / STRING / ARRAY / MAP / ROW / TIMESTAMP等。Flink ML 在此基础上补充的类型
最典型就是Vector（向量），用于表示模型输入的特征。
2. Vector 是什么？
在 Flink ML 中，Vector 表示一个double 数组形式的向量，并且有两个具体实现：
DenseVector（稠密向量）
- 大部分维度都有值（或你希望用数组直接存储所有维度）
- 适合维度不算特别高、或者特征不是很稀疏的场景
SparseVector（稀疏向量）
- 只有少量维度有非零值
- 适合高维稀疏特征（比如 one-hot、词袋、特征哈希等）
无论 Dense 还是 Sparse，Flink ML 的 Vector 都具备这些共同特点：
- 向量在创建时就固定size（维度）
- 支持按0-based 下标读取 / 设置某一维的 double 值
- 都用于表达“特征列”，常见列名是
features
3. Vectors 工具类：创建向量更方便
Flink ML 提供了Vectors工具类，用来快速构造 DenseVector / SparseVector。
4. Java 示例：构造 SparseVector
你给的示例含义是：
- 向量维度
n = 4（即下标范围 0~3） - 只有下标
0,2,3是非零维度 - 对应值分别是
0.1, 0.3, 0.4
intn=4;int[]indices=newint[]{0,2,3};double[]values=newdouble[]{0.1,0.3,0.4};SparseVectorvector=Vectors.sparse(n,indices,values);这等价于一个完整的 dense 表达：
[0.1, 0.0, 0.3, 0.4]5. 你在工程里什么时候用 Dense / Sparse？
用 DenseVector 的典型情况
- 特征维度较小（比如几十维、几百维）
- 大多数维度都有值（不稀疏）
- 特征已经是数值型统计特征（pv/click/avg_duration 等）
用 SparseVector 的典型情况
特征维度很高（几千、几万甚至更高）
绝大多数维度都是 0（稀疏）
常见于：
- one-hot 编码后的离散特征
- 文本特征（词袋/TF-IDF）
- 特征哈希
6. 实用小提示：SparseVector 的注意事项
在构造稀疏向量时，建议保证：
indices.length == values.length- indices 取值范围必须在
[0, n-1] - indices 最好是严格递增且不重复（很多实现会假设这一点，或性能更好）
