如何在 PySpark 中使用 StandardScaler 标准化测试数据集？

Posted 2023-04-15

【中文标题】如何在 PySpark 中使用 StandardScaler 标准化测试数据集？

【英文标题】：how do I standardize test dataset using StandardScaler in PySpark?

【发布时间】：2021-01-02 07:25:34

【问题描述】：

我有如下训练和测试数据集：

x_train：

inputs
[2,5,10]
[4,6,12]
...

x_test：

inputs
[7,8,14]
[5,5,7]
...

输入列是在将 VectorAssembler 类应用于 3 个单独的列之后包含模型特征的向量。

当我尝试使用下面的 StandardScaler 转换测试数据时，我收到一条错误消息，指出它没有转换方法：

from pyspark.ml.feature import StandardScaler 
scaler = StandardScaler(inputCol="inputs", outputCol="scaled_features")
scaledTrainDF = scaler.fit(x_train).transform(x_train)
scaledTestDF = scaler.transform(x_test)

有人告诉我，我应该只在训练数据上拟合一次标准缩放器，并使用这些参数来转换测试集，所以这样做是不准确的：

scaledTestDF = scaler.fit(x_test).transform(x_test)

那么我该如何处理上面提到的错误呢？

【参考方案1】：

这是使用缩放器的正确语法。您需要在拟合模型上调用变换，而不是在缩放器本身上。

from pyspark.ml.feature import StandardScaler 
scaler = StandardScaler(inputCol="inputs", outputCol="scaled_features")
scaler_model = scaler.fit(x_train)

scaledTrainDF = scaler_model.transform(x_train)
scaledTestDF = scaler_model.transform(x_test)