特征转换 - Tokenizer
优质
小牛编辑
138浏览
2023-12-01
Tokenization是一个将文本(如一个句子)转换为个体单元(如词)的处理过程。
一个简单的Tokenizer
类就提供了这个功能。下面的例子展示了如何将句子转换为此序列。
RegexTokenizer
基于正则表达式匹配提供了更高级的断词(tokenization
)。默认情况下,参数pattern
(默认是\s+
)作为分隔符,
用来切分输入文本。用户可以设置gaps
参数为false
用来表明正则参数pattern
表示tokens
而不是splitting gaps
,这个类可以找到所有匹配的事件并作为结果返回。下面是调用的例子。
import org.apache.spark.ml.feature.{RegexTokenizer, Tokenizer}
val sentenceDataFrame = spark.createDataFrame(Seq(
(0, "Hi I heard about Spark"),
(1, "I wish Java could use case classes"),
(2, "Logistic,regression,models,are,neat")
)).toDF("label", "sentence")
val tokenizer = new Tokenizer().setInputCol("sentence").setOutputCol("words")
val regexTokenizer = new RegexTokenizer()
.setInputCol("sentence")
.setOutputCol("words")
.setPattern("\\W") // alternatively .setPattern("\\w+").setGaps(false)
val tokenized = tokenizer.transform(sentenceDataFrame)
tokenized.select("words", "label").take(3).foreach(println)
val regexTokenized = regexTokenizer.transform(sentenceDataFrame)
regexTokenized.select("words", "label").take(3).foreach(println)