spark实现tfidf

package xxx

import org.apache.log4j.Logger
import org.apache.log4j.Level
import org.apache.spark.sql.SparkSession
import org.apache.spark.ml.feature.{HashingTF, IDF, Tokenizer}

object TopicExtraction {


  def main(arg: Array[String]) {
    Logger.getLogger("org").setLevel(Level.ERROR)   // 控制输出日志的级别
    println("hello")
    val spark = SparkSession
      .builder().master("local")
      .appName("TopicExtraction")
      .getOrCreate()
    val soureceData= spark.createDataFrame(Seq(
      (0,"soyo spark like spark hadoop spark and spark like spark"),
      (1,"i wish i can like java i"),
      (2,"but i dont know how to soyo"),
      (3,"spark is good spark tool")
    )).toDF("label","sentence")
    //进行分词
    val tokenizer=new Tokenizer().setInputCol("sentence").setOutputCol("words")
    val wordsData=tokenizer.transform(soureceData)
    wordsData.show(false)  //表示不省略,打印字符串的所有单词
    //使用HashingTF生成特征向量    
    val hashTF=new HashingTF().setInputCol("words").setOutputCol("rawsFeatures").setNumFeatures(1000)
    val featuredData=hashTF.transform(wordsData)
    featuredData.show(false)
    //使用CountVectorizer生成特征向量
    val cvModel: CountVectorizerModel =newCountVectorizer()
      .setInputCol("words")
      .setOutputCol("rawFeatures")
      .setMinTF(2)
      .fit(wordsData)
    val featuredData = cvModel.transform(wordsData)
    //输出词表
    val vocabulary = cvModel.vocabulary
    println(vocabulary.mkString(","))
    val idf=new IDF().setInputCol("rawsFeatures").setOutputCol("features")
    val idfModel=idf.fit(featuredData)
    val result=idfModel.transform(featuredData)
    result.show(false)
    result.select("label","features").show(false)
  }
}




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