scala - 在 Spark StringIndexer 中处理 NULL 值

Question

我有一个包含一些分类字符串列的数据集，我想用 double 类型表示它们。我使用 StringIndexer 进行此转换并且它有效，但是当我在另一个具有 NULL 值的数据集中尝试它时，它给出了 java.lang.NullPointerException错误，并没有工作。

为了更好地理解这里是我的代码:

for(col <- cols){
    out_name = col ++ "_"
    var indexer = new StringIndexer().setInputCol(col).setOutputCol(out_name)
    var indexed = indexer.fit(df).transform(df)
    df = (indexed.withColumn(col, indexed(out_name))).drop(out_name)
}

那么如何使用 StringIndexer 解决这个 NULL 数据问题呢？

或者是否有更好的解决方案将具有 NULL 值的字符串类型的分类数据转换为 double？

Answer 1

Spark >= 2.2

自 Spark 2.2 NULL可以使用标准 handleInvalid 处理值Param :

import org.apache.spark.ml.feature.StringIndexer

val df = Seq((0, "foo"), (1, "bar"), (2, null)).toDF("id", "label")
val indexer = new StringIndexer().setInputCol("label")

默认情况下( error )它会抛出异常:

indexer.fit(df).transform(df).show

org.apache.spark.SparkException: Failed to execute user defined function($anonfun$9: (string) => double)
  at org.apache.spark.sql.catalyst.expressions.ScalaUDF.eval(ScalaUDF.scala:1066)
...
Caused by: org.apache.spark.SparkException: StringIndexer encountered NULL value. To handle or skip NULLS, try setting StringIndexer.handleInvalid.
  at org.apache.spark.ml.feature.StringIndexerModel$$anonfun$9.apply(StringIndexer.scala:251)
...

但配置为 skip

indexer.setHandleInvalid("skip").fit(df).transform(df).show

+---+-----+---------------------------+
| id|label|strIdx_46a78166054c__output|
+---+-----+---------------------------+
|  0|    a|                        0.0|
|  1|    b|                        1.0|
+---+-----+---------------------------+

或到 keep

indexer.setHandleInvalid("keep").fit(df).transform(df).show

+---+-----+---------------------------+
| id|label|strIdx_46a78166054c__output|
+---+-----+---------------------------+
|  0|    a|                        0.0|
|  1|    b|                        1.0|
|  3| null|                        2.0|
+---+-----+---------------------------+

Spark < 2.2

至于现在(Spark 1.6.1)这个问题还没有解决，但是有一个打开的JIRA( SPARK-11569 )。不幸的是，要找到可接受的行为并不容易。 SQL NULL 表示缺失/未知值，因此任何索引都是毫无意义的。

也许你能做的最好的事情就是使用 NA actions或者下降:

df.na.drop("column_to_be_indexed" :: Nil)

或填写:

df2.na.fill("__HEREBE_DRAGONS__", "column_to_be_indexed" :: Nil)

在使用索引器之前。