如何在 Spark 中创建一组 ngram？

Posted 2023-04-15

【中文标题】如何在 Spark 中创建一组 ngram？

【英文标题】：How do I create a set of ngrams in Spark?

【发布时间】：2018-01-26 12:07:20

【问题描述】：

我正在使用 Scala 从 Spark 2.2 数据帧列中提取 Ngram，因此（本例中为三元组）：

val ngram = new NGram().setN(3).setInputCol("incol").setOutputCol("outcol")

如何创建包含所有 1 到 5 克的输出列？所以它可能是这样的：

val ngram = new NGram().setN(1:5).setInputCol("incol").setOutputCol("outcol")

但这不起作用。 我可以遍历 N 并为 N 的每个值创建新的数据帧，但这似乎效率低下。谁能指出我正确的方向，因为我的 Scala 是绳索的？

【参考方案1】：

如果您想将这些组合成向量，您可以将Python answer 重写为zero323。

import org.apache.spark.ml.feature._
import org.apache.spark.ml.Pipeline

def buildNgrams(inputCol: String = "tokens", 
                 outputCol: String = "features", n: Int = 3) = 

  val ngrams = (1 to n).map(i =>
      new NGram().setN(i)
        .setInputCol(inputCol).setOutputCol(s"$i_grams")
  )

  val vectorizers = (1 to n).map(i =>
     new CountVectorizer()
      .setInputCol(s"$i_grams")
      .setOutputCol(s"$i_counts")
  )

  val assembler = new VectorAssembler()
    .setInputCols(vectorizers.map(_.getOutputCol).toArray)
    .setOutputCol(outputCol)

  new Pipeline().setStages((ngrams ++ vectorizers :+ assembler).toArray)



val df = Seq((1, Seq("a", "b", "c", "d"))).toDF("id", "tokens")

结果

buildNgrams().fit(df).transform(df).show(1, false)
// +---+------------+------------+---------------+--------------+-------------------------------+-------------------------+-------------------+-------------------------------------+
// |id |tokens      |1_grams     |2_grams        |3_grams       |1_counts                       |2_counts                 |3_counts           |features                             |
// +---+------------+------------+---------------+--------------+-------------------------------+-------------------------+-------------------+-------------------------------------+
// |1  |[a, b, c, d]|[a, b, c, d]|[a b, b c, c d]|[a b c, b c d]|(4,[0,1,2,3],[1.0,1.0,1.0,1.0])|(3,[0,1,2],[1.0,1.0,1.0])|(2,[0,1],[1.0,1.0])|[1.0,1.0,1.0,1.0,1.0,1.0,1.0,1.0,1.0]|
// +---+------------+------------+---------------+--------------+-------------------------------+-------------------------+-------------------+-------------------------------------+

使用 UDF 可能会更简单：

val ngram = udf((xs: Seq[String], n: Int) => 
  (1 to n).map(i => xs.sliding(i).filter(_.size == i).map(_.mkString(" "))).flatten)

spark.udf.register("ngram", ngram)

val ngramer =  new SQLTransformer().setStatement(
  """SELECT *, ngram(tokens, 3) AS ngrams FROM __THIS__"""
)

ngramer.transform(df).show(false)
// +---+------------+----------------------------------+
// |id |tokens      |ngrams                            |
// +---+------------+----------------------------------+
// |1  |[a, b, c, d]|[a, b, c, d, ab, bc, cd, abc, bcd]|
// +---+------------+----------------------------------+

【讨论】：

_.mkString(" ").

对不起，错了。应该是sliding 而不是grouped。