我使用 HashingTF
创建了词频在 Spark 。我使用 tf.transform
得到了词频对于每个单词。
但结果以这种格式显示。
[<hashIndexofHashBucketofWord1>,<hashIndexofHashBucketofWord2> ...]
,[termFrequencyofWord1, termFrequencyOfWord2 ....]
例如:
(1048576,[105,3116],[1.0,2.0])
我可以使用
tf.indexOf("word")
获取哈希桶中的索引.但是,如何使用索引获取单词?
最佳答案
嗯,你不能。由于散列是非单射的,因此没有反函数。换句话说,无限数量的 token 可以映射到单个存储桶,因此无法分辨实际存在哪个 token 。
如果您使用大哈希并且唯一标记的数量相对较少,那么您可以尝试从存储桶到数据集中可能的标记创建查找表。它是一对多映射,但如果满足上述条件,冲突数量应该相对较低。
如果您需要可逆转换,您可以使用 combine Tokenizer
和 StringIndexer
并手动构建稀疏特征向量。
另见:What hashing function does Spark use for HashingTF and how do I duplicate it?
编辑 :
在 Spark 1.5+ (PySpark 1.6+) 中,您可以使用 CountVectorizer
它应用可逆变换并存储词汇。
python :
from pyspark.ml.feature import CountVectorizer
df = sc.parallelize([
(1, ["foo", "bar"]), (2, ["foo", "foobar", "baz"])
]).toDF(["id", "tokens"])
vectorizer = CountVectorizer(inputCol="tokens", outputCol="features").fit(df)
vectorizer.vocabulary
## ('foo', 'baz', 'bar', 'foobar')
斯卡拉:
import org.apache.spark.ml.feature.{CountVectorizer, CountVectorizerModel}
val df = sc.parallelize(Seq(
(1, Seq("foo", "bar")), (2, Seq("foo", "foobar", "baz"))
)).toDF("id", "tokens")
val model: CountVectorizerModel = new CountVectorizer()
.setInputCol("tokens")
.setOutputCol("features")
.fit(df)
model.vocabulary
// Array[String] = Array(foo, baz, bar, foobar)
其中第 0 个位置的元素对应于索引 0,第 1 个位置的元素对应于索引 1,依此类推。
关于apache-spark - 如何从 Spark MLLib 中的 TF Vector RDD 获取单词详细信息?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/32285699/