Spark：句子上的StringIndexer

Question

我正在尝试在一列句子上执行StringIndexer，即将单词列表转换为整数列表。

例如：

输入数据集 ：

  (1, ["I", "like", "Spark"])
  (2, ["I", "hate", "Spark"])

我期望StringIndexer之后的输出像：

  (1, [0, 2, 1])
  (2, [0, 3, 1])

理想情况下，我希望将这种转换作为Pipeline的一部分进行，以便我可以将变压器链接在一起，并进行序列化以进行在线服务。

这是Spark本身支持的东西吗？

谢谢！

Answer 1

用于将文本转换为特征的标准Transformers是CountVectorizer

CountVectorizer和CountVectorizerModel旨在帮助将文本文档的集合转换为令牌计数的向量。

或HashingTF ：

使用哈希技巧将术语序列映射到其术语频率。 当前，我们使用Austin Appleby的MurmurHash 3算法（MurmurHash3_x86_32）计算术语对象的哈希码值。 由于使用简单的模将哈希函数转换为列索引，因此建议使用2的幂作为numFeatures参数。 否则，要素将不会均匀地映射到列。

两者都有binary选项，可用于从计数转换为二进制向量。

没有内置的Transfomer可以提供您想要的准确结果（这对ML算法而言没有用），购买后您可以explode应用StringIndexer和collect_list / collect_set ：

import org.apache.spark.ml.feature._
import org.apache.spark.ml.Pipeline


val df = Seq(
  (1, Array("I", "like", "Spark")), (2, Array("I", "hate", "Spark"))
).toDF("id", "words")

val pipeline = new Pipeline().setStages(Array(
  new SQLTransformer()
    .setStatement("SELECT id, explode(words) as word FROM __THIS__"),
  new StringIndexer().setInputCol("word").setOutputCol("index"),
  new SQLTransformer()
    .setStatement("""SELECT id, COLLECT_SET(index) AS values 
                     FROM __THIS__ GROUP BY id""")
))

pipeline.fit(df).transform(df).show

// +---+---------------+                      
// | id|         values|
// +---+---------------+
// |  1|[0.0, 1.0, 3.0]|
// |  2|[2.0, 0.0, 1.0]|
// +---+---------------+

随着CountVectorizer和udf ：

import org.apache.spark.ml.linalg._


spark.udf.register("indices", (v: Vector) => v.toSparse.indices)

val pipeline = new Pipeline().setStages(Array(
  new CountVectorizer().setInputCol("words").setOutputCol("vector"),
  new SQLTransformer()
    .setStatement("SELECT *, indices(vector) FROM __THIS__")
))

pipeline.fit(df).transform(df).show

// +---+----------------+--------------------+-------------------+
// | id|           words|              vector|UDF:indices(vector)|
// +---+----------------+--------------------+-------------------+
// |  1|[I, like, Spark]|(4,[0,1,3],[1.0,1...|          [0, 1, 3]|
// |  2|[I, hate, Spark]|(4,[0,1,2],[1.0,1...|          [0, 1, 2]|
// +---+----------------+--------------------+-------------------+