检索Spark Mllib StringIndexer列映射

Question

如何从训练有素的Spark MLlib StringIndexerModel中获取映射？

val stringIndexer = new StringIndexer()
    .setInputCol("myCol")
    .setOutputCol("myColIdx")
val stringIndexerModel = stringIndexer.fit(data)
val res = stringIndexerModel.transform(data)

上面的代码将根据值的频率myColIdx向我的DataFrame映射值添加一个myCol索引。例如，最频繁的值-> 0，第二个最频繁的-> 1，依此类推...

如何从模型中检索该映射？如果我对模型进行序列化/反序列化，映射是否将是稳定的（即，在转换后是否可以保证获得相同的结果）？

Answer 1

StringIndexerModel使用labels属性公开映射：

stringIndexerModel.labels: Array[String]

其中值对应于连续标签，例如：

val data = Seq("foo", "bar", "foo", "bar", "foobar", "bar").toDF("myCol")

您将获得以下信息labels：

import org.apache.spark.ml.feature.IndexToString

Array(bar, foo, foobar)

与bar索引为0.0，foo如1.0和foobar为2.0。这是模型的属性，当模型为时保留saved。

当用于时，Pipeline您还可以使用IndexToString它将使用列元数据将索引映射回标签。

indexToString.transform(stringIndexerModel.transform(data)).show

+------+--------+-------------+
| myCol|myColIdx|myColReversed|
+------+--------+-------------+
|   foo|     1.0|          foo|
|   bar|     0.0|          bar|
|   foo|     1.0|          foo|
|   bar|     0.0|          bar|
|foobar|     2.0|       foobar|
|   bar|     0.0|          bar|
+------+--------+-------------+