如何在 PySpark ML 中创建自定义标记器

Question

sentenceDataFrame = spark.createDataFrame([
        (0, "Hi I heard about Spark"),
        (1, "I wish Java could use case classes"),
        (2, "Logistic,regression,models,are,neat")
    ], ["id", "sentence"])
tokenizer = Tokenizer(inputCol="sentence", outputCol="words") 
tokenized = tokenizer.transform(sentenceDataFrame)

如果我运行命令

tokenized.head()

我想得到这样的结果

Row(id=0, sentence='Hi I heard about Spark',
    words=['H','i',' ','h','e',‘a’,……])

然而，现在的结果是

Row(id=0, sentence='Hi I heard about Spark',
    words=['Hi','I','heard','about','spark'])

有没有办法通过 PySpark 中的 Tokenizer 或 RegexTokenizer 来实现这一点？

类似的问题在这里？在 PySpark ML 中创建自定义 Transformer

Answer 1

查看pyspark.ml 文档。Tokenizer只用空格分割，但是RegexTokenizer——顾名思义——使用正则表达式来查找分割点或要提取的标记（这可以通过参数配置gaps）。

如果您传递一个空模式并离开gaps=True（这是默认设置），您应该会得到您想要的结果：

from pyspark.ml.feature import RegexTokenizer

tokenizer = RegexTokenizer(inputCol="sentence", outputCol="words", pattern="")
tokenized = tokenizer.transform(sentenceDataFrame)