Spark ML 函数feature.VectorIndexer及VectorAssembler

3 篇文章 1 订阅

assemble
英 [əˈsembl] 美 [əˈsembl]
v.
聚集;集合;收集;装配;组装

VectorAssembler

VectorAssembler(inputCols=None, outputCol=None, handleInvalid=‘error’)
特征转换器,将多个列合并为一个向量列。
VectorAssembler接受以下输入列类型:所有数值类型、布尔类型和向量类型。在每一行中,输入列的值将按照指定的顺序连接到一个向量中。
demo

dataset = spark.createDataFrame(
        [(0, 18, 1.0, Vectors.sparse(4,[1,3],[122,344]), 1.0,False,True)],
        ["id", "hour", "mobile", "userFeatures", "clicked",'flag','flag1'])

assembler = VectorAssembler(
        inputCols=["hour", "mobile", "userFeatures",'flag','flag1'],
        outputCol="features")
assembler.transform(dataset).show(truncate=False)

±–±—±-----±----------------------±------±----±----±-------------------------------------+
|id |hour|mobile|userFeatures |clicked|flag |flag1|features |
±–±—±-----±----------------------±------±----±----±-------------------------------------+
|0 |18 |1.0 |(4,[1,3],[122.0,344.0])|1.0 |false|true |[18.0,1.0,0.0,122.0,0.0,344.0,0.0,1.0]|
±–±—±-----±----------------------±------±----±----±-------------------------------------+

VectorIndexer

VectorIndexer(maxCategories=20, inputCol=None, outputCol=None, handleInvalid=‘error’)
demo

from pyspark.ml.linalg import Vectors

df = spark.createDataFrame([
   (Vectors.dense([1, 100,234,12]),),
   (Vectors.dense([123, 1.0,124,12]),),
   (Vectors.dense([13, 4.0,1234,12]),),
   (Vectors.dense([13, 3.0,-300,12]),),
   (Vectors.dense([123, 300,34,12]),)], 
   ["a"])
indexer = VectorIndexer(maxCategories=4, inputCol="a", outputCol="indexed")
model = indexer.fit(df)
model.transform(df).show(truncate=False)

±----------------------±--------------------+
|a |indexed |
±----------------------±--------------------+
|[1.0,100.0,234.0,12.0] |[0.0,100.0,234.0,0.0]|
|[123.0,1.0,124.0,12.0] |[2.0,1.0,124.0,0.0] |
|[13.0,4.0,1234.0,12.0] |[1.0,4.0,1234.0,0.0] |
|[13.0,3.0,-300.0,12.0] |[1.0,3.0,-300.0,0.0] |
|[123.0,300.0,34.0,12.0]|[2.0,300.0,34.0,0.0] |
±----------------------±--------------------+

修改maxCategories=5

±----------------------±----------------+
|a |indexed |
±----------------------±----------------+
|[1.0,100.0,234.0,12.0] |[0.0,3.0,3.0,0.0]|
|[123.0,1.0,124.0,12.0] |[2.0,0.0,2.0,0.0]|
|[13.0,4.0,1234.0,12.0] |[1.0,2.0,4.0,0.0]|
|[13.0,3.0,-300.0,12.0] |[1.0,1.0,0.0,0.0]|
|[123.0,300.0,34.0,12.0]|[2.0,4.0,1.0,0.0]|
±----------------------±----------------+

说明:
我们设置maxCategories为4,即只有种类小于4的特征才被认为是类别型特征,否则被认为是连续型特征。
其中类别型特征将被进行编号索引,为了索引的稳定性,规定如果这个特征值为0,则一定会被编号成0,这样可以保证向量的稀疏度。

  • 0一定被索引为0
    在这里插入图片描述

更多参考
pyspark.ml.feature模块详解(持续更新中)

  • 0
    点赞
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值