特征抽取--标签与索引的转化: VectorIndexer

Posted 2020-12-30 softwarebuilding

之前介绍的StringIndexer是针对单个类别型特征进行转换，倘若所有特征都已经被组织在一个向量中

，又想对其中某些单个分量进行处理时，Spark ML提供了VectorIndexer类来解决向量数据集中的类别

性特征转换。通过为其提供maxCategories超参数，它可以自动识别哪些特征是类别型的，并且将原始

值转换为类别索引。它基于不同特征值的数量来识别哪些特征需要被类别化，那些取值可能性最多不超

过maxCategories的特征需要会被认为是类别型的。在下面的例子中，我们读入一个数据集，然后使用

VectorIndexer训练出模型，来决定哪些特征需要被作为类别特征，将类别特征转换为索引，这里设置

maxCategories为10，即只有种类小10的特征才被认为是类别型特征，否则被认为是连续型特征：

#导入相关的类库

from pyspark.ml.feature import VectorIndexer

from pyspark.sql import SparkSession

#创建SparkSession对象，配置spark

spark = SparkSession.builder.master(‘local‘).appName(‘VectorIndexerDemo‘).getOrCreate()

#读入数据集

data = spark.read.format(‘libsvm‘).load(‘file:///usr/local/spark/data/mllib/sample_libsvm_data.txt‘)

#创建VectorIndexer对象，

indexer = VectorIndexer(inputCol=‘features‘, outputCol=‘indexed‘,maxCategories=10)

#生成训练模型，训练数据

indexerModel = indexer.fit(data)

categoricalFeatures = indexerModel.categoryMaps

indexerData = indexerModel.transform(data)

indexerData.show()