用于 StringIndexer 多列的 Spark + Scala 新管道

Question

我尝试在多列上应用StringIndexer() ，我使用Scala和Spark 2.3。
这是我的代码：

val df1 = spark.read.format("csv").option("header", "true").option("inferSchema", "true").load("file:///c:/tmp/spark-warehouse/train.csv")

val feat = df1.columns.filterNot(_ .contains("BsmtFinSF1"))

val inds = feat.map { colName =>
  val indexer1 = new StringIndexer()
    .setInputCol(colName)
    .setOutputCol(colName + "I")
    .fit(df1)

  Array(indexer1)
}

val pipeline = new Pipeline().setStages(inds.toArray)

但是，我有这个错误：

错误：(134, 50) 类型不匹配；

发现：数组[数组[org.apache.spark.ml.feature.StringIndexerModel]]
要求：数组[? <：org.apache.spark.ml.PipelineStage]

注意：数组[org.apache.spark.ml.feature.StringIndexerModel] >: ? <: org.apache.spark.ml.PipelineStage，但类 Array 在类型 T 中是不变的。您可能希望研究通配符类型，例如_ >: ? <: org.apache.spark.ml.PipelineStage _ >: ? <: org.apache.spark.ml.PipelineStage 。 (SLS 3.2.10)
val 管道 = new Pipeline().setStages(inds.toArray)

任何帮助将不胜感激。 谢谢你

Answer 1

.setStages需要一个Array[PipelineStage] ，但实际上它变成了Array[Array[PipelineStage]因为您将indexer1包装到冗余 Array 中： Array(indexer1) 。 Map 函数返回相同类型的集合。 此集合的元素由传递给 Map 的函数的应用程序产生。 所以试试这样：

val inds = feat.map { colName =>
   new StringIndexer()
    .setInputCol(colName)
    .setOutputCol(colName + "I")
    .fit(df1)          
}