machine-learning - 单行上的字符串索引器、CountVectorizer Pyspark

Question

您好，我遇到了一个问题，我的行中有两列单词数组。

column1, column2
["a", "b" ,"b", "c"], ["a","b", "x", "y"]

基本上我想计算列之间每个单词的出现次数以得到两个数组:

[1, 2, 1, 0, 0], 
[1, 1, 0, 1, 1]

因此，“a”在每个数组中出现一次，“b”在第 1 列中出现两次，在第 2 列中出现一次，“c”仅在第 1 列中出现，“x”和“y”仅在第 2 列中出现。依此类推。

我尝试查看 ml 库中的 CountVectorizer 函数，但不确定它是否按行工作，每列中的数组可能非常大？并且 0 值(其中一个单词出现在一列中，但不在另一列中出现)似乎没有得到贯彻。

感谢任何帮助。

Answer 1

对于 Spark 2.4+，您可以使用 DataFrame API 和内置数组函数来实现这一点。

首先，使用 array_union 获取每行的所有单词功能。然后，使用transform函数来转换单词数组，其中每个元素使用 size 计算每列中出现的次数和 array_remove功能:

df = spark.createDataFrame([(["a", "b", "b", "c"], ["a", "b", "x", "y"])], ["column1", "column2"])

df.withColumn("words", array_union("column1", "column2")) \
  .withColumn("occ_column1",
              expr("transform(words, x -> size(column1) - size(array_remove(column1, x)))")) \
  .withColumn("occ_column2",
              expr("transform(words, x -> size(column2) - size(array_remove(column2, x)))")) \
  .drop("words") \
  .show(truncate=False)

输出:

+------------+------------+---------------+---------------+
|column1     |column2     |occ_column1    |occ_column2    |
+------------+------------+---------------+---------------+
|[a, b, b, c]|[a, b, x, y]|[1, 2, 1, 0, 0]|[1, 1, 0, 1, 1]|
+------------+------------+---------------+---------------+