在PySpark中编码和组合多个功能

问题内容：

我有一个Python类，用于在Spark中加载和处理一些数据。在我需要做的各种事情中，我正在生成一个从Spark数据帧中各个列派生的伪变量列表。我的问题是我不确定如何正确定义用户定义的函数来完成所需的功能。

我目前确实有一种方法，当将其映射到基础数据帧RDD上时，可以解决一半的问题（请记住，这是较大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

从本质上讲，对于指定的数据帧，此操作将获取指定列的分类变量值，并返回这些新虚拟变量的值的列表。这意味着以下代码：

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

返回类似：

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]]

就生成所需的伪变量列表而言，这正是我想要的，但这是我的问题：我如何（a）制作具有可以在Spark SQL查询中使用的类似功能的UDF（或其他方式）
，我想），或（b）提取上述映射得出的RDD并将其作为新列添加到user_data数据帧？

无论哪种方式，我需要做的是生成一个新的数据框，其中包含来自user_data的列，以及一个feature_array包含上述函数的输出（或功能等效的东西）的新列（我们称之为）。

问题答案：

火花 > = 2.3，> = 3.0

由于OneHotEncoder不推荐使用Spark
2.3，而推荐使用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已扩展为支持多个输入列：

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

火花 <2.3

好吧，您可以编写一个UDF，但是为什么呢？已经有很多工具可以处理此类任务：

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，则可以VectorIndexer用来设置所需的元数据：

from pyspark.ml.feature import VectorIndexer

vector_indexer = VectorIndexer(inputCol="bar", outputCol="bar_indexed")

但事实并非如此。

最后，您可以使用管道包装所有内容：

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

可以说，与从头开始编写所有内容相比，这是一种更加健壮和简洁的方法。有一些警告，特别是当您需要不同数据集之间的一致编码时。你可以阅读更多的官方文档中的StringIndexer和VectorIndexer。

获得相当的输出的另一种方式是RFormula 其中：

RFormula产生要素的向量列和标签的双列或字符串列。就像在R中使用公式进行线性回归时一样，字符串输入列将被一键编码，数字列将被转换为双精度。如果标签列的类型为字符串，则首先将其转换为double
StringIndexer。如果DataFrame中不存在label列，则将从公式中指定的响应变量创建输出label列。

from pyspark.ml.feature import RFormula

rf = RFormula(formula="~ gender +  bar + foo - 1")
final_df_rf = rf.fit(df).transform(df)

如您所见，它更加简洁，但很难编写，因此无法进行大量自定义。不过，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]|
## +----------------------+

关于您的问题：

制作具有与我可以在Spark SQL查询中使用的功能类似的UDF（我想可以通过其他方式）

它就像其他任何UDF一样。确保使用受支持的类型，除此之外，一切都应该正常工作。

从上述映射获取RDD并将其作为新列添加到user_data数据帧？

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)

注意事项 ：

对于Spark 1.x，请替换pyspark.ml.linalg为pyspark.mllib.linalg。

在PySpark中编码和组合多个功能

微信关注