PySpark功能选择和可解释性

Question

在PySpark中是否有一种方法可以执行特征选择,但是保留或获取回原始特征索引/描述的映射？

例如:

1. 我有一个原始特征字符串的StringArray列(col ="rawFeatures").
2. 我使用CountVectorizer(col ="features")将它们转换为数字计数 .
3. 然后我运行ChiSqSelector 以选择前1000个功能(col ="selectedFeatures").

如何获取与前1000个特征相对应的原始特征字符串(或者甚至只是步骤#2中原始"特征"col中这些所选特征的相应索引)？

Answer 1

可以使用此信息追溯此信息fitted Transformers.有了Pipeline像这样的:

from pyspark.ml.feature import *
from pyspark.ml import Pipeline
import numpy as np

data = spark.createDataFrame(
    [(1, ["spark", "foo", "bar"]), (0, ["kafka", "bar", "foo"])],
    ("label", "rawFeatures"))

model = Pipeline(stages = [
    CountVectorizer(inputCol="rawFeatures", outputCol="features"),
    ChiSqSelector(outputCol="selectedFeatures", numTopFeatures=2)
]).fit(data)

你可以提取Transformers:

vectorizer, chisq = model.stages

和比较selectedFeatures有vocabulary:

np.array(vectorizer.vocabulary)[chisq.selectedFeatures]

array(['spark', 'kafka'], dtype='<U5')

不幸的是,这种组合Transformers不会保留标签元数据:

features_meta, selected_features_meta = (f.metadata for f in model
    .transform(data).select("features", "selectedFeatures")
    .schema
    .fields)

features_meta

{}

selected_features_meta

{'ml_attr': {'attrs': {'nominal': [{'idx': 0}, {'idx': 1}]}, 'num_attrs': 2}}