我是 Spark ML 新手。我正在尝试利用 Spark ML Pipelines 来链接数据转换(将其视为 ETL 过程)。换句话说,我想输入一个DataFrame,进行一系列转换(每次向该dataframe添加一列)并输出转换后的DataFrame。
我正在研究 Python 中管道的文档和代码,但我不知道如何从管道中获取转换后的数据集。请参阅以下示例(从文档复制并修改):
from pyspark.ml import Pipeline
from pyspark.ml.feature import HashingTF, Tokenizer
# Prepare training documents from a list of (id, text, label) tuples.
training = spark.createDataFrame([
(0, "a b c d e spark", 1.0),
(1, "b d", 0.0),
(2, "spark f g h", 1.0),
(3, "hadoop mapreduce", 0.0)
], ["id", "text", "label"])
# Configure an ML pipeline, which consists of two stages: tokenizer,
hashingTF.
tokenizer = Tokenizer(inputCol="text", outputCol="words")
hashingTF = HashingTF(inputCol=tokenizer.getOutputCol(),
outputCol="features")
pipeline = Pipeline(stages=[tokenizer, hashingTF])
training.show()
pipeline.fit(training)
如何从“管道”对象中获取转换后的数据集(即执行分词器和哈希后的数据集)?
最佳答案
你不能。相反,保留模型
model = pipeline.fit(training)
并用它来转换
数据:
training_transformed = model.transform(training)
关于python - 从 pyspark.ml.pipeline 中的管道对象检索转换后的数据集,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/49779027/