scala - 检索 Spark Mllib StringIndexer 列映射

Question

如何从经过训练的 Spark MLlib StringIndexerModel 中获取映射？

val stringIndexer = new StringIndexer()
    .setInputCol("myCol")
    .setOutputCol("myColIdx")
val stringIndexerModel = stringIndexer.fit(data)
val res = stringIndexerModel.transform(data)

上面的代码将向我的 DataFrame 添加一个 myColIdx，将 myCol 中的值映射到基于值频率的索引。即最常见的值 -> 0，第二常见的值 -> 1，等等...

如何从模型中检索该映射？如果我序列化/反序列化模型，映射是否稳定(即我是否保证转换后得到相同的结果)？

Answer 1

StringIndexerModel 使用 labels 属性公开映射:

stringIndexerModel.labels: Array[String]

其中值对应于连续标签，例如:

val data = Seq("foo", "bar", "foo", "bar", "foobar", "bar").toDF("myCol")

您将获得以下标签:

import org.apache.spark.ml.feature.IndexToString

Array(bar, foo, foobar)

其中 bar 索引为 0.0，foo 索引为 1.0，foobar 索引为 2.0。这是模型的属性，在保存时保留。

当在Pipeline中使用时，您还可以使用 IndexToString它将使用列元数据将索引映射回标签。

indexToString.transform(stringIndexerModel.transform(data)).show

+------+--------+-------------+
| myCol|myColIdx|myColReversed|
+------+--------+-------------+
|   foo|     1.0|          foo|
|   bar|     0.0|          bar|
|   foo|     1.0|          foo|
|   bar|     0.0|          bar|
|foobar|     2.0|       foobar|
|   bar|     0.0|          bar|
+------+--------+-------------+