如何将列声明为 DataFrame 中的分类特征以用于 ml

Question

如何声明我的给定列中DataFrame包含分类信息？

我有一个DataFrame从数据库加载的 Spark SQL 。其中的许多列DataFrame都有分类信息，但它们被编码为 Longs（为了隐私）。

我希望能够告诉 spark-ml，即使此列是数值，但信息实际上是分类的。类别的索引可能有一些漏洞，这是可以接受的。（例如，一列可能具有值 [1, 0, 0 ,4]）

我知道存在 ，StringIndexer但我更愿意避免编码和解码的麻烦，特别是因为我有许多具有这种行为的列。

我会寻找类似于以下内容的东西

train = load_from_database()
categorical_cols = ["CategoricalColOfLongs1",
                    "CategoricalColOfLongs2"]
numeric_cols = ["NumericColOfLongs1"]

## This is what I am looking for
## this step detects the min and max value of both columns
## and adds metadata to indicate this as a categorical column
## with (1 + max - min) categories
categorizer = ColumnCategorizer(columns = categorical_cols,
                                autoDetectMinMax = True)
##

vectorizer = VectorAssembler(inputCols = categorical_cols + 
                                         numeric_cols,
                             outputCol = "features")
classifier = DecisionTreeClassifier()
pipeline = Pipeline(stages = [categorizer, vectorizer, classifier])
model = pipeline.fit(train)

Answer 1

我宁愿避免编码和解码的麻烦，

你不能真正完全避免这种情况。分类变量所需的元数据实际上是值和索引之间的映射。不过，无需手动执行或创建自定义转换器。假设您有这样的数据框：

import numpy as np
import pandas as pd

df = sqlContext.createDataFrame(pd.DataFrame({
    "x1": np.random.random(1000),
    "x2": np.random.choice(3, 1000),
    "x4": np.random.choice(5, 1000)
}))

您只需要一个汇编器和索引器：

from pyspark.ml.feature import VectorAssembler, VectorIndexer
from pyspark.ml import Pipeline

pipeline = Pipeline(stages=[
    VectorAssembler(inputCols=df.columns, outputCol="features_raw"),
    VectorIndexer(
        inputCol="features_raw", outputCol="features", maxCategories=10)])

transformed = pipeline.fit(df).transform(df)
transformed.schema.fields[-1].metadata

## {'ml_attr': {'attrs': {'nominal': [{'idx': 1,
##      'name': 'x2',
##      'ord': False,
##      'vals': ['0.0', '1.0', '2.0']},
##     {'idx': 2,
##      'name': 'x4',
##      'ord': False,
##      'vals': ['0.0', '1.0', '2.0', '3.0', '4.0']}],
##    'numeric': [{'idx': 0, 'name': 'x1'}]},
##   'num_attrs': 3}}

此示例还显示了您提供的用于将向量的给定元素标记为分类变量的类型信息

{
    'idx': 2,  # Index (position in vector)
    'name': 'x4',  # name
    'ord': False,  # is ordinal?
    # Mapping between value and label
    'vals': ['0.0', '1.0', '2.0', '3.0', '4.0']  
}

因此，如果您想从头开始构建它，您所要做的就是正确的架构：

from pyspark.sql.types import *
from pyspark.mllib.linalg import VectorUDT

# Lets assume we have only a vector
raw = transformed.select("features_raw")

# Dictionary equivalent to transformed.schema.fields[-1].metadata shown abov
meta = ... 
schema = StructType([StructField("features", VectorUDT(), metadata=meta)])

sqlContext.createDataFrame(raw.rdd, schema)

但是由于需要序列化、反序列化，所以效率很低。

从Spark 2.2 开始，您还可以使用 metadata 参数：

df.withColumn("features", col("features").alias("features", metadata=meta))

另请参阅将元数据附加到 Spark 中的向量列