apache-spark - 如何从 Spark MLLib 中的 TF Vector RDD 获取单词详细信息？

Question

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？

Answer 1

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。