- html - 出于某种原因,IE8 对我的 Sass 文件中继承的 html5 CSS 不友好?
- JMeter 在响应断言中使用 span 标签的问题
- html - 在 :hover and :active? 上具有不同效果的 CSS 动画
- html - 相对于居中的 html 内容固定的 CSS 重复背景?
我有一个包含列“特征”的数据框(数据框中的每一行代表一个文档)。我使用 HashingTF 来计算列 'tf' 并且我还创建了一个自定义转换器 'TermCount'(就像测试一样)来计算 'total_terms'如下:
from pyspark import SparkContext
from pyspark.sql import SQLContext,Row
from pyspark.ml.pipeline import Transformer
from pyspark.ml.param.shared import HasInputCol, HasOutputCol, Param
from pyspark.ml.feature import HashingTF
from pyspark.ml.util import keyword_only
from pyspark.mllib.linalg import SparseVector
from pyspark.sql.functions import udf
class TermCount(Transformer, HasInputCol, HasOutputCol):
@keyword_only
def __init__(self, inputCol=None, outputCol=None):
super(TermCount, self).__init__()
kwargs = self.__init__._input_kwargs
self.setParams(**kwargs)
@keyword_only
def setParams(self, inputCol=None, outputCol=None):
kwargs = self.setParams._input_kwargs
return self._set(**kwargs)
def _transform(self, dataset):
def f(s):
return len(s.values)
out_col = self.getOutputCol()
in_col = dataset[self.getInputCol()]
return dataset.withColumn(out_col, udf(f)(in_col))
sc = SparkContext()
sqlContext = SQLContext(sc)
documents = sqlContext.createDataFrame([
(0, "w1 w2 w3 w4 w1 w1 w1"),
(1, "w2 w3 w4 w2"),
(2, "w3 w4 w3"),
(3, "w4")], ["doc_id", "doc_text"])
df = documents.map(lambda x : (x.doc_id,x.doc_text.split(" "))).toDF().withColumnRenamed("_1","doc_id").withColumnRenamed("_2","features")
htf = HashingTF(inputCol="features", outputCol="tf")
tf = htf.transform(df)
term_count_model=TermCount(inputCol="tf", outputCol="total_terms")
tc_df=term_count_model.transform(tf)
tc_df.show(truncate=False)
#+------+----------------------------+------------------------------------------------+-----------+
#|doc_id|features |tf |total_terms|
#+------+----------------------------+------------------------------------------------+-----------+
#|0 |[w1, w2, w3, w4, w1, w1, w1]|(262144,[3738,3739,3740,3741],[4.0,1.0,1.0,1.0])|4 |
#|1 |[w2, w3, w4, w2] |(262144,[3739,3740,3741],[2.0,1.0,1.0]) |3 |
#|2 |[w3, w4, w3] |(262144,[3740,3741],[2.0,1.0]) |2 |
#|3 |[w4] |(262144,[3741],[1.0]) |1 |
#+------+----------------------------+------------------------------------------------+-----------+
现在,我需要添加一个类似的转换器,它接收“tf”作为 inputCol,并将每个术语 (no_of_rows_contains_this_term/total_no_of_rows) 的文档频率计算到 Sparsevector 类型的 outputCol,最后得到如下结果:
+------+----------------------------+------------------------------------------------+-----------+----------------------------------------------------+
|doc_id|features |tf |total_terms| doc_freq |
+------+----------------------------+------------------------------------------------+-----------+----------------------------------------------------+
|0 |[w1, w2, w3, w4, w1, w1, w1]|(262144,[3738,3739,3740,3741],[4.0,1.0,1.0,1.0])|4 |(262144,[3738,3739,3740,3741],[0.25,0.50,0.75,1.0]) |
|1 |[w2, w3, w4, w2] |(262144,[3739,3740,3741],[2.0,1.0,1.0]) |3 |(262144,[3739,3740,3741],[0.50,0.75,1.0]) |
|2 |[w3, w4, w3] |(262144,[3740,3741],[2.0,1.0]) |2 |(262144,[3740,3741],[0.75,1.0]) |
|3 |[w4] |(262144,[3741],[1.0]) |1 |(262144,[3741],[1.0]) |
+------+----------------------------+------------------------------------------------+-----------+----------------------------------------------------+
最佳答案
排除所有你可以尝试使用的包装代码Statistics.colStats
:
from pyspark.mllib.stat import Statistics
from pyspark.mllib.linalg import Vectors
tf_col = "x"
dataset = sc.parallelize([
"(262144,[3738,3739,3740,3741],[0.25,0.50,0.75,1.0])",
"(262144,[3738,3739,3740,3741],[0.25,0.50,0.75,1.0])"
]).map(lambda s: (Vectors.parse(s), )).toDF(["x"])
vs = (dataset.select(tf_col)
.flatMap(lambda x: x)
.map(lambda v: Vectors.sparse(v.size, v.indices, [1.0 for _ in v.values])))
stats = Statistics.colStats(vs)
document_frequency = stats.mean()
document_frequency.max()
## 1.0
document_frequency.min()
# 0.0
document_frequency.nonzero()
## (array([3738, 3739, 3740, 3741]),)
有了这些信息后,您可以轻松调整所需的索引:
from pyspark.mllib.linalg import VectorUDT
df = Vectors.sparse(
document_frequency.shape[0], document_frequency.nonzero()[0],
document_frequency[document_frequency.nonzero()]
)
def idf(df, d):
values = ... # Compute new values
return Vectors.sparse(v.size, v.indices, values)
dataset.withColumn("idf_col", udf(idf, VectorUDT())(col("tf_col")))
一个巨大的警告是 stats.mean
返回一个 DenseVector
所以如果你有 262144 个特征的 TF 输出是一个相同长度的数组。
关于python - 在 Pyspark ML 中的稀疏向量数据类型列上创建 Python 转换器,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/35899392/
前言: 有时候,一个数据库有多个帐号,包括数据库管理员,开发人员,运维支撑人员等,可能有很多帐号都有比较大的权限,例如DDL操作权限(创建,修改,删除存储过程,创建,修改,删除表等),账户多了,管理
所以我用 Create React App 创建并设置了一个大型 React 应用程序。最近我们开始使用 Storybook 来处理和创建组件。它很棒。但是,当我们尝试运行或构建应用程序时,我们不断遇
遵循我正在创建的控件的代码片段。这个控件用在不同的地方,变量也不同。 我正在尝试编写指令来清理代码,但在 {{}} 附近插入值时出现解析错误。 刚接触 Angular ,无法确定我错过了什么。请帮忙。
我正在尝试创建一个 image/jpeg jax-rs 提供程序类,它为我的基于 post rest 的 Web 服务创建一个图像。我无法制定请求来测试以下内容,最简单的测试方法是什么? @POST
我一直在 Windows 10 的模拟器中练习 c。后来我改用dev C++ IDE。当我在 C 中使用 FILE 时。创建的文件的名称为 test.txt ,而我给出了其他名称。请帮助解决它。 下面
当我们创建自定义 View 时,我们将 View 文件的所有者设置为自定义类,并使用 initWithFrame 或 initWithCode 对其进行实例化。 当我们创建 customUITable
我正在尝试为函数 * Producer 创建一个线程,但用于创建线程的行显示错误。我为这句话加了星标,但我无法弄清楚它出了什么问题...... #include #include #include
今天在做项目时,遇到了需要创建JavaScript对象的情况。所以Bing了一篇老外写的关于3种创建JavaScript对象的文章,看后跟着打了一遍代码。感觉方法挺好的,在这里与大家分享一下。 &
我正在阅读将查询字符串传递给 Amazon 的 S3 以进行身份验证的文档,但似乎无法理解 StringToSign 的创建和使用方式。我正在寻找一个具体示例来说明 (1) 如何构造 String
前言:我对 C# 中任务的底层实现不太了解,只了解它们的用法。为我在下面屠宰的任何东西道歉: 对于“我怎样才能开始一项任务但不等待它?”这个问题,我找不到一个好的答案。在 C# 中。更具体地说,即使任
我有一个由一些复杂的表达式生成的 ILookup。假设这是按姓氏查找人。 (在我们简单的世界模型中,姓氏在家庭中是唯一的) ILookup families; 现在我有两个对如何构建感兴趣的查询。 首
我试图创建一个 MSI,其中包含 和 exe。在 WIX 中使用了捆绑选项。这样做时出错。有人可以帮我解决这个问题。下面是代码: 错误 error LGH
在 Yii 中,Create 和 Update 通常使用相同的形式。因此,如果我在创建期间有电子邮件、密码、...other_fields...等字段,但我不想在更新期间专门显示电子邮件和密码字段,但
上周我一直在努力创建一个给定一行和一列的 QModelIndex。 或者,我会满足于在已经存在的 QModelIndex 中更改 row() 的值。 任何帮助,将不胜感激。 编辑: QModelInd
出于某种原因,这不起作用: const char * str_reset_command = "\r\nReset"; const char * str_config_command = "\r\nC
现在,我有以下由 original.df %.% group_by(Category) %.% tally() %.% arrange(desc(n)) 创建的 data.frame。 DF 5),
在今天之前,我使用/etc/vim/vimrc来配置我的vim设置。今天,我想到了创建.vimrc文件。所以,我用 touch .vimrc cat /etc/vim/vimrc > .vimrc 所
我可以创建一个 MKAnnotation,还是只读的?我有坐标,但我发现使用 setCooperative 手动创建 MKAnnotation 并不容易。 想法? 最佳答案 MKAnnotation
在以下代码中,第一个日志语句按预期显示小数,但第二个日志语句记录 NULL。我做错了什么? NSDictionary *entry = [[NSDictionary alloc] initWithOb
我正在使用与此类似的代码动态添加到数组; $arrayF[$f+1][$y][$x+1] = $value+1; 但是我在错误报告中收到了这个: undefined offset :1 问题:尝试创
我是一名优秀的程序员,十分优秀!