pyspark - 如何使用 pyspark(2.1.0) LdA 获取与每个文档关联的主题？

Question

我正在使用pyspark的LDAModel从语料库中获取主题。我的目标是找到与每个文档相关的主题。为此，我尝试按照文档设置 topicDistributionCol 。由于我是新手，所以我不确定本专栏的目的是什么。

from pyspark.ml.clustering import LDA
lda_model = LDA(k=10, optimizer="em").setTopicDistributionCol("topicDistributionCol")
// documents is valid dataset for this lda model
lda_model = lda_model.fit(documents)
transformed = lda_model.transform(documents)

topics = lda_model.describeTopics(maxTermsPerTopic=num_words_per_topic)
print("The topics described by their top-weighted terms:")
print topics.show(truncate=False)

它列出了带有 termIndices 和 termWeights 的所有主题。

下面的代码会给我 topicDistributionCol。这里每一行代表每个文档。

print transformed.select("topicDistributionCol").show(truncate=False)

我想得到这样的文档主题矩阵。 pysparks LDA 模型可以吗？

doc | topic 
1   |  [2,4]
2   |  [3,4,6]

注意:我之前已经使用 gensims LDA 模型通过以下代码完成了此操作。但我需要使用 pysparks LDA 模型。

texts = [[word for word in document.lower().split() if word not in stoplist] for document in documents]
dictionary = corpora.Dictionary(texts)

corpus = [dictionary.doc2bow(text) for text in texts]
doc_topics = LdaModel(corpus=corpus, id2word=dictionary, num_topics=10, passes=10)
## to fetch topics for one document
vec_bow = dictionary.doc2bow(text[0])
Topics = doc_topics[vec_bow]
Topic_list = [x[0] for x in Topics]
## topic list is [1,5]

Answer 1

使用 toPandas 可以帮助:

df_p = transformed.select('topicDistributionCol').toPandas()
df_p1 = df_p.topicDistribution.apply(lambda x:np.array(x))
df_p2 = pd.DataFrame(df_p1.tolist()).apply(lambda x:x.argmax(),axis=1)
df_p3 = df_p2.reset_index()
df_p3.columns = ['doc','topic']
df_p3