spark-ml 规范化器丢失元数据

Posted 2023-04-15

【中文标题】spark-ml 规范化器丢失元数据

【英文标题】：spark-ml normalizer loses metadata

【发布时间】：2017-08-15 09:23:43

【问题描述】：

我在 PySpark 中使用了一个具有分类特征的数据集，这些特征被索引和 one-hot 编码。拟合管道后，我使用特征列的元数据提取编码特征。当我在管道中包含规范器时，我会丢失分类特征的元数据。请参见下面的示例：

train.show()
+-----+---+----+----+
|admit|gre| gpa|rank|
+-----+---+----+----+
|  0.0|380|3.61|   3|
|  1.0|660|3.67|   3|
|  1.0|800| 4.0|   1|
|  1.0|640|3.19|   4|
|  0.0|520|2.93|   4|
+-----+---+----+----+

from pyspark.ml.feature import StringIndexer, OneHotEncoder, VectorAssembler, Normalizer
#indexer for categorical features
rank_indexer = StringIndexer(inputCol = 'rank', outputCol = 'rank_ind', handleInvalid="skip")
#encoder for categorical features
rank_encoder = OneHotEncoder(inputCol = 'rank_ind', outputCol = 'rank_enc')
# assembler
assembler = VectorAssembler(inputCols=['gre','gpa','rank_enc'], outputCol="featuresVect")
# Create the normalizer
normalizer = Normalizer(inputCol="featuresVect", outputCol="features", p=1.0)

stages = [rank_indexer] + [rank_encoder] + [assembler] + [normalizer]

from pyspark.ml import Pipeline
final_pipeline = Pipeline(
    stages = stages
)

pipelineModel = final_pipeline.fit(train)
data = pipelineModel.transform(train)

data.schema['features'].metadata

## empty dictionary

## excluding the normalizer results in this metadata:
u'ml_attr': u'attrs': u'binary': [u'idx': 2, u'name': u'rank_enc_2',
    u'idx': 3, u'name': u'rank_enc_3',
    u'idx': 4, u'name': u'rank_enc_4'],
   u'numeric': [u'idx': 0, u'name': u'gre', u'idx': 1, u'name': u'gpa'],
  u'num_attrs': 5

这是正常行为吗？如何在不丢失此元数据的情况下包含规范化器？

【参考方案1】：

在我看来，首先对 One-hot 编码数据使用 Normalizer 没有多大意义。在 Spark 中，OHE 可用于两种类型的模型：

多项朴素贝叶斯。 线性模型。

在第一种情况下，归一化会使特征完全无用（多项模型只能充分利用二元特征）。在第二种情况下，模型的解释几乎是不可能的。

即使您忽略上述规范化数据也不能再被解释为二进制特征，因此丢弃元数据似乎是一种有效的行为。

与Why does StandardScaler not attach metadata to the output column?相关