在PySpark中编码和组装多个特性

Question

我有一个Python类，我用它来加载和处理Spark中的一些数据。在我需要做的各种事情中，我正在生成一个从Spark数据框架中的各种列派生的虚拟变量列表。我的问题是我不确定如何正确定义一个用户定义函数来完成我需要的。

I do目前有一个方法，当映射到底层数据框架RDD时，解决了一半的问题(记住这是一个更大的data_processor类中的方法):

def build_feature_arr(self,table):
    # this dict has keys for all the columns for which I need dummy coding
    categories = {'gender':['1','2'], ..}
    # there are actually two differnt dataframes that I need to do this for, this just specifies which I'm looking at, and grabs the relevant features from a config file
    if table == 'users':
        iter_over = self.config.dyadic_features_to_include
    elif table == 'activty':
        iter_over = self.config.user_features_to_include
    def _build_feature_arr(row):
        result = []
        row = row.asDict()
        for col in iter_over:
            column_value = str(row[col]).lower()
            cats = categories[col]
            result += [1 if column_value and cat==column_value else 0 for cat in cats]
        return result
    return _build_feature_arr

实质上，它所做的是，对于指定的数据帧，获取指定列的分类变量值，并返回这些新虚拟变量值的列表。这意味着以下代码:

data = data_processor(init_args)
result = data.user_data.rdd.map(self.build_feature_arr('users'))

返回如下内容:

In [39]: result.take(10)
Out[39]:
[[1, 0, 0, 0, 1, 0],
 [1, 0, 0, 1, 0, 0],
 [1, 0, 0, 0, 0, 0],
 [1, 0, 1, 0, 0, 0],
 [1, 0, 0, 1, 0, 0],
 [1, 0, 0, 1, 0, 0],
 [0, 1, 1, 0, 0, 0],
 [1, 0, 1, 1, 0, 0],
 [1, 0, 0, 1, 0, 0],
 [1, 0, 0, 0, 0, 1]]

这正是我在生成我想要的虚拟变量列表方面想要的，但这是我的问题:我如何(a)制作一个具有类似功能的UDF，我可以在Spark SQL查询中使用(或其他方式，我想)，或者(b)从上面描述的映射中获取RDD结果并将其作为新列添加到user_data数据框中?

无论哪种方式，我需要做的是生成一个包含user_data列的新数据框，以及一个包含上述函数输出(或功能等效的东西)的新列(我们称之为feature_array)。

Answer 1

> = 2.3,> = 3.0

由于Spark 2.3 OneHotEncoder被弃用而支持OneHotEncoderEstimator。如果您使用的是最新版本，请修改encoder代码

from pyspark.ml.feature import OneHotEncoderEstimator
encoder = OneHotEncoderEstimator(
    inputCols=["gender_numeric"],  
    outputCols=["gender_vector"]
)

在Spark 3.0中，此变体已重命名为OneHotEncoder:

from pyspark.ml.feature import OneHotEncoder
encoder = OneHotEncoder(
    inputCols=["gender_numeric"],  
    outputCols=["gender_vector"]
)

另外，StringIndexer已经扩展到支持多个输入列:

StringIndexer(inputCols=["gender"], outputCols=["gender_numeric"])

火花& lt;2.3

好吧，你可以写一个UDF，但你为什么要写呢?已经有相当多的工具被设计来处理这类任务:

from pyspark.sql import Row
from pyspark.ml.linalg import DenseVector
row = Row("gender", "foo", "bar")
df = sc.parallelize([
  row("0", 3.0, DenseVector([0, 2.1, 1.0])),
  row("1", 1.0, DenseVector([0, 1.1, 1.0])),
  row("1", -1.0, DenseVector([0, 3.4, 0.0])),
  row("0", -3.0, DenseVector([0, 4.1, 0.0]))
]).toDF()

首先是StringIndexer。

from pyspark.ml.feature import StringIndexer
indexer = StringIndexer(inputCol="gender", outputCol="gender_numeric").fit(df)
indexed_df = indexer.transform(df)
indexed_df.drop("bar").show()
## +------+----+--------------+
## |gender| foo|gender_numeric|
## +------+----+--------------+
## |     0| 3.0|           0.0|
## |     1| 1.0|           1.0|
## |     1|-1.0|           1.0|
## |     0|-3.0|           0.0|
## +------+----+--------------+

下一个OneHotEncoder:

from pyspark.ml.feature import OneHotEncoder
encoder = OneHotEncoder(inputCol="gender_numeric", outputCol="gender_vector")
encoded_df = encoder.transform(indexed_df)
encoded_df.drop("bar").show()
## +------+----+--------------+-------------+
## |gender| foo|gender_numeric|gender_vector|
## +------+----+--------------+-------------+
## |     0| 3.0|           0.0|(1,[0],[1.0])|
## |     1| 1.0|           1.0|    (1,[],[])|
## |     1|-1.0|           1.0|    (1,[],[])|
## |     0|-3.0|           0.0|(1,[0],[1.0])|
## +------+----+--------------+-------------+

VectorAssembler:

from pyspark.ml.feature import VectorAssembler
assembler = VectorAssembler(
    inputCols=["gender_vector", "bar", "foo"], outputCol="features")
encoded_df_with_indexed_bar = (vector_indexer
    .fit(encoded_df)
    .transform(encoded_df))
final_df = assembler.transform(encoded_df)

如果bar包含分类变量，您可以使用VectorIndexer设置所需的元数据:

from pyspark.ml.feature import VectorIndexer
vector_indexer = VectorIndexer(inputCol="bar", outputCol="bar_indexed")

但这里的情况并非如此。

最后，你可以使用管道包装所有这些:

from pyspark.ml import Pipeline
pipeline = Pipeline(stages=[indexer, encoder, vector_indexer, assembler])
model = pipeline.fit(df)
transformed = model.transform(df)

可以说，这是比从头开始编写所有内容更健壮和干净的方法。这里有一些注意事项，特别是当您需要在不同数据集之间进行一致的编码时。您可以在StringIndexer和VectorIndexer的官方文档中阅读更多信息。

另一种获得可比输出的方法是RFormula，它:

RFormula生成一个包含特征的向量列和一个包含双精度或字符串的标签列。与在R中使用公式进行线性回归时一样，字符串输入列将被单热编码，而数字列将被强制转换为双精度。如果标签列是字符串类型，它将首先用StringIndexer转换为double。如果标签列在DataFrame中不存在，输出标签列将从公式中指定的响应变量创建。

from pyspark.ml.feature import RFormula
rf = RFormula(formula="~ gender +  bar + foo - 1")
final_df_rf = rf.fit(df).transform(df)

正如你所看到的，它更加简洁，但是很难组合，不允许太多的定制。然而，像这样的简单管道的结果将是相同的:

final_df_rf.select("features").show(4, False)
## +----------------------+
## |features              |
## +----------------------+
## |[1.0,0.0,2.1,1.0,3.0] |
## |[0.0,0.0,1.1,1.0,1.0] |
## |(5,[2,4],[3.4,-1.0])  |
## |[1.0,0.0,4.1,0.0,-3.0]|
## +----------------------+

final_df.select("features").show(4, False)
## +----------------------+
## |features              |
## +----------------------+
## |[1.0,0.0,2.1,1.0,3.0] |
## |[0.0,0.0,1.1,1.0,1.0] |
## |(5,[2,4],[3.4,-1.0])  |
## |[1.0,0.0,4.1,0.0,-3.0]|
## +----------------------+

关于你的问题:

创建一个具有类似功能的UDF，我可以在Spark SQL查询中使用(或者其他方式，我想)

它只是一个UDF。确保使用受支持的类型，除此之外，一切都应该正常工作。

从上面描述的映射中获取RDD结果，并将其作为新列添加到user_data数据框架中?

from pyspark.ml.linalg import VectorUDT
from pyspark.sql.types import StructType, StructField
schema = StructType([StructField("features", VectorUDT(), True)])
row = Row("features")
result.map(lambda x: row(DenseVector(x))).toDF(schema)

注意:

对于Spark 1。x将pyspark.ml.linalg替换为pyspark.mllib.linalg