我对python很有经验，但对pyspark完全陌生。我有一个数据框架，它包含大约50M行，具有几个分类特征。对于每个功能，我都有一个热编码。下面是一个简化但具有代表性的代码示例。
从pyspark.ml.feature导入StringIndexer，OneHotEncoder从pyspark.ml导入管道
df = sc.parallelize([
(1, 'grocery'),
(1, 'drinks'),
(1, 'bakery'),
(2, 'grocery'),
(3, 'bakery'),
(3, 'bakery'),
]).toDF(["id", "category"])
indexer = StringIndexer(inputCol='category', outputCol='categoryIndex')
encoder = OneHotEncoder(inputCol='categoryIndex', outputCol='categoryVec')
pipe = Pipeline(stages = [indexer, encoder])
newDF = pipe.fit(df).transform(df)
给出输出
+---+--------+-------------+-------------+
| id|category|categoryIndex| categoryVec|
+---+--------+-------------+-------------+
| 1| grocery| 1.0|(2,[1],[1.0])|
| 1| drinks| 2.0| (2,[],[])|
| 1| bakery| 0.0|(2,[0],[1.0])|
| 2| grocery| 1.0|(2,[1],[1.0])|
| 3| bakery| 0.0|(2,[0],[1.0])|
| 3| bakery| 0.0|(2,[0],[1.0])|
+---+--------+-------------+-------------+
我现在想groupBy"id"，并用sum聚合"categoryVec"列，这样我就可以为每个id获得一行，并用一个向量指示客户正在购物的(可能是几个(类别中的哪一个。在panda中，这只是对pd.get_dummies()步骤中产生的每一列应用sum/me均值的情况，但在这里似乎并不那么简单。
然后，我将把输出传递给ML算法，这样我就需要能够在输出上使用VectorAssembler或类似的工具。
哦，我真的需要一个pyspark解决方案。
非常感谢你的帮助！
您可以为此使用Counvectorizer。它将类别索引数组转换为编码向量。
from pyspark.ml.feature import CountVectorizer
from pyspark.ml import Pipeline
from pyspark.sql.window import Window
from pyspark.sql import functions as F
df = sc.parallelize([
(1, 'grocery'),
(1, 'drinks'),
(1, 'bakery'),
(2, 'grocery'),
(3, 'bakery'),
(3, 'bakery'),
]).toDF(["id", "category"])
.groupBy('id')
.agg(F.collect_list('category').alias('categoryIndexes'))
cv = CountVectorizer(inputCol='categoryIndexes', outputCol='categoryVec')
transformed_df = cv.fit(df).transform(df)
transformed_df.show()
结果：
+---+--------------------+--------------------+
| id| categoryIndexes| categoryVec|
+---+--------------------+--------------------+
| 1|[grocery, drinks,...|(3,[0,1,2],[1.0,1...|
| 3| [bakery, bakery]| (3,[0],[2.0])|
| 2| [grocery]| (3,[1],[1.0])|
+---+--------------------+--------------------+