将可空数据从 BigQuery 馈送到 Tensorflow Transform

Question

我们正在尝试构建一个管道，该管道从 BigQuery 获取数据，在 TensorFlow 中进行训练之前运行 TensorFlow Transform。

管道已启动并正在运行，但我们在 BigQuery 中遇到空值问题。

我们使用 Beam 从 BigQuery 加载：

    raw_data = (pipeline
                | '{}_read_from_bq'.format(step) >> beam.io.Read(
                    beam.io.BigQuerySource(query=source_query,
                                           use_standard_sql=True,
                                           )))

我正在玩数据集元数据，尝试对各个列FixedLenFeature和VarLenFeature ：

    # Categorical feature schema
    categorical_features = {
        column_name: tf.io.FixedLenFeature([], tf.string) for column_name in categorical_columns
    }
    raw_data_schema.update(categorical_features)

    # Numerical feature schema
    numerical_features = {
        column_name: tf.io.VarLenFeature(tf.float32) for column_name in numerical_columns
    }
    raw_data_schema.update(numerical_features)

    # Create dataset_metadata given raw_data_schema
    raw_metadata = dataset_metadata.DatasetMetadata(
        schema_utils.schema_from_feature_spec(raw_data_schema))

正如预期的那样，如果您尝试将 BigQuery NULL 提供给FixedLenFeature ，它就会中断。

但是，当我尝试将字符串或整数输入VarLenFeature时，它也会中断。 这似乎是因为 VarLenFeature 需要一个列表，但 BigQuerySource 给出了一个 Python 原语。 它中断的确切点在这里（错误来自于我尝试使用整数时）：

File "/usr/local/lib/python3.7/site-packages/tensorflow_transform/impl_helper.py", line 157, in <listcomp>
indices = [range(len(value)) for value in values]
TypeError: object of type 'int' has no len()
[while running 'train_transform/AnalyzeDataset/ApplySavedModel[Phase0]/ApplySavedModel/ApplySavedModel']

当我用我的字符串输入尝试 VarLenFeature 时，例如“UK”，输出是一个像这样的 SparseTensor：

SparseTensorValue(indices=[(0, 0), (0, 1)], values=['U', 'K'], dense_shape=(1, 2))

所以看起来我需要将一个列表传递给 VarLenFeature 才能工作，但 BigQuerySource 默认情况下不会这样做。

有没有一种简单的方法可以实现这一目标？ 还是我完全错过了从 BigQuery 读取可为空列的标记？

非常感谢您！

Answer 1

您可能需要自己处理 NULL（缺失）值。 对于数字列，您可以将 NULL 替换为平均值或中值。 对于分类列 (STRING)，您可以使用一些默认值，如空 STRING 或新值作为缺失值指示符。

我对 VarLenFeature 不是很熟悉，但您可以替换 source_query 中的 NULL（NULL 插补）。 就像是：

IFNULL(col, col_mean) AS col_imputed

缺点是您必须先使用 sql 计算 col_mean 并将其作为常量填充在此处。 另一件事是您需要记住这个均值并在预测中应用相同的均值，因为它不是 tf.transform（您的图表）的一部分。

Bigquery 本身将 BQML 作为 ML 平台。 他们确实支持TRANSFORM 和自动插补。 也许你也可以看看:)