如何在XML中将列声明为DataFrame中的分类功能

Question

如何声明我的给定列DataFrame包含分类信息？

我有一个DataFrame从数据库加载的Spark SQL
。其中的许多列DataFrame都有分类信息，但是它们被编码为Longs（出于隐私目的）。

我希望能够告诉spark-
ml，即使此列为“数值”，该信息实际上也是“分类的”。类别的索引可能有一些漏洞，这是可以接受的。（例如，一列可能具有值[1、0、0、4]）

我知道存在，StringIndexer但是我希望避免编码和解码的麻烦，特别是因为我有很多具有此行为的列。

我会寻找看起来像下面的东西

train = load_from_database()
categorical_cols = ["CategoricalColOfLongs1",
                    "CategoricalColOfLongs2"]
numeric_cols = ["NumericColOfLongs1"]

## This is what I am looking for
## this step detects the min and max value of both columns
## and adds metadata to indicate this as a categorical column
## with (1 + max - min) categories
categorizer = ColumnCategorizer(columns = categorical_cols,
                                autoDetectMinMax = True)
##

vectorizer = VectorAssembler(inputCols = categorical_cols + 
                                         numeric_cols,
                             outputCol = "features")
classifier = DecisionTreeClassifier()
pipeline = Pipeline(stages = [categorizer, vectorizer, classifier])
model = pipeline.fit(train)

Answer 1

我宁愿避免编码和解码的麻烦，

您无法真正完全避免这种情况。分类变量所需的元数据实际上是值和索引之间的映射。仍然不需要手动执行此操作或创建自定义转换器。假设您具有如下数据框：

import numpy as np
import pandas as pd

df = sqlContext.createDataFrame(pd.DataFrame({
    "x1": np.random.random(1000),
    "x2": np.random.choice(3, 1000),
    "x4": np.random.choice(5, 1000)
}))

您只需要一个汇编器和索引器：

from pyspark.ml.feature import VectorAssembler, VectorIndexer
from pyspark.ml import Pipeline

pipeline = Pipeline(stages=[
    VectorAssembler(inputCols=df.columns, outputCol="features_raw"),
    VectorIndexer(
        inputCol="features_raw", outputCol="features", maxCategories=10)])

transformed = pipeline.fit(df).transform(df)
transformed.schema.fields[-1].metadata

## {'ml_attr': {'attrs': {'nominal': [{'idx': 1,
##      'name': 'x2',
##      'ord': False,
##      'vals': ['0.0', '1.0', '2.0']},
##     {'idx': 2,
##      'name': 'x4',
##      'ord': False,
##      'vals': ['0.0', '1.0', '2.0', '3.0', '4.0']}],
##    'numeric': [{'idx': 0, 'name': 'x1'}]},
##   'num_attrs': 3}}

此示例还显示了您提供的类型信息，以将向量的给定元素标记为分类变量

{
    'idx': 2,  # Index (position in vector)
    'name': 'x4',  # name
    'ord': False,  # is ordinal?
    # Mapping between value and label
    'vals': ['0.0', '1.0', '2.0', '3.0', '4.0']  
}

因此，如果您想从头开始构建它，那么您要做的就是正确的模式：

from pyspark.sql.types import *
from pyspark.mllib.linalg import VectorUDT

# Lets assume we have only a vector
raw = transformed.select("features_raw")

# Dictionary equivalent to transformed.schema.fields[-1].metadata shown abov
meta = ... 
schema = StructType([StructField("features", VectorUDT(), metadata=meta)])

sqlContext.createDataFrame(raw.rdd, schema)

但是由于需要序列化，反序列化，因此效率很低。

从 Spark 2.2开始， 您还可以使用元数据参数：

df.withColumn("features", col("features").alias("features", metadata=meta))