保留索引字符串对应关系激发字符串索引器

Question

Spark的StringIndexer非常有用，但通常需要检索生成的索引值和原始字符串之间的对应关系，而且似乎应该有一种内置的方法来实现这一点。我将使用Spark文档中的这个简单示例进行说明：

from pyspark.ml.feature import StringIndexer
df = sqlContext.createDataFrame(
    [(0, "a"), (1, "b"), (2, "c"), (3, "a"), (4, "a"), (5, "c")],
    ["id", "category"])
indexer = StringIndexer(inputCol="category", outputCol="categoryIndex")
indexed_df = indexer.fit(df).transform(df)

这个简化的案例给了我们：

+---+--------+-------------+
| id|category|categoryIndex|
+---+--------+-------------+
|  0|       a|          0.0|
|  1|       b|          2.0|
|  2|       c|          1.0|
|  3|       a|          0.0|
|  4|       a|          0.0|
|  5|       c|          1.0|
+---+--------+-------------+

一切都很好，但对于许多用例，我想知道我的原始字符串和索引标签之间的映射。我能想到的最简单的方法是这样的：

   In [8]: indexed.select('category','categoryIndex').distinct().show()
+--------+-------------+
|category|categoryIndex|
+--------+-------------+
|       b|          2.0|
|       c|          1.0|
|       a|          0.0|
+--------+-------------+

如果我想的话，我可以将其存储为字典或类似的东西：

In [12]: mapping = {row.categoryIndex:row.category for row in
           indexed.select('category','categoryIndex').distinct().collect()}
In [13]: mapping
Out[13]: {0.0: u'a', 1.0: u'c', 2.0: u'b'}

我的问题是：由于这是一个非常常见的任务，而且我猜测（但当然可能是错误的）字符串索引器无论如何都在以某种方式存储这个映射，有没有一种方法可以更简单地完成上述任务？

我的解决方案或多或少很简单，但对于大型数据结构，这涉及到一堆额外的计算，（也许）我可以避免。想法？

Answer 1

标签映射可以从列元数据中提取：

meta = [
    f.metadata for f in indexed_df.schema.fields if f.name == "categoryIndex"
]
meta[0]
## {'ml_attr': {'name': 'category', 'type': 'nominal', 'vals': ['a', 'c', 'b']}}

其中ml_attr.vals提供位置和标签之间的映射：

dict(enumerate(meta[0]["ml_attr"]["vals"]))
## {0: 'a', 1: 'c', 2: 'b'}

Spark 1.6+

可以使用IndexToString将数值转换为标签。这将使用如上所示的列元数据。

from pyspark.ml.feature import IndexToString
idx_to_string = IndexToString(
    inputCol="categoryIndex", outputCol="categoryValue")
idx_to_string.transform(indexed_df).drop("id").distinct().show()
## +--------+-------------+-------------+
## |category|categoryIndex|categoryValue|
## +--------+-------------+-------------+
## |       b|          2.0|            b|
## |       a|          0.0|            a|
## |       c|          1.0|            c|
## +--------+-------------+-------------+

火花<=1.5

这是一个肮脏的黑客，但你可以简单地从Java索引器中提取标签，如下所示：

from pyspark.ml.feature import StringIndexerModel
# A simple monkey patch so we don't have to _call_java later 
def labels(self):
    return self._call_java("labels")
StringIndexerModel.labels = labels
# Fit indexer model
indexer = StringIndexer(inputCol="category", outputCol="categoryIndex").fit(df)
# Extract mapping
mapping = dict(enumerate(indexer.labels()))
mapping
## {0: 'a', 1: 'c', 2: 'b'}