- 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?
这是我正在寻找的 pyspark 用例。我目前有一个带有单词标记的数据框,并且想要构建一个词汇表,然后用词汇表中的索引替换单词。这是我的数据框
>>> wordDataFrame.show(10, False)
+---+-------------------------------------------------+
|id |words |
+---+-------------------------------------------------+
|0 |[hi, i, heard, about, spark] |
|1 |[i, wish, java, could, use, case, spark, classes]|
+---+-------------------------------------------------+
from pyspark.ml.feature import CountVectorizer
cv = CountVectorizer(binary=True)\
.setInputCol("words")\
.setOutputCol("countVec")\
.setToLowercase(True)
.setMinTF(1)\
.setMinDF(1)
fittedCV = cv.fit(wordDataFrame)
fittedCV.transform(wordDataFrame).show(2, False)
+---+-------------------------------------------------+---------------------------------------------------------+
|id |words |features |
+---+-------------------------------------------------+---------------------------------------------------------+
|0 |[hi, i, heard, about, spark] |(11,[0,1,6,8,9],[1.0,1.0,1.0,1.0,1.0]) |
|1 |[i, wish, java, could, use, case, spark, classes]|(11,[0,1,2,3,4,5,7,10],[1.0,1.0,1.0,1.0,1.0,1.0,1.0,1.0])|
+---+-------------------------------------------------+---------------------------------------------------------+
>>> from pprint import pprint
>>> pprint(dict([(i, x) for i,x in enumerate(fittedCV.vocabulary)]))
{0: 'i',
1: 'spark',
2: 'wish',
3: 'use',
4: 'case',
5: 'java',
6: 'hi',
7: 'could',
8: 'about',
9: 'heard',
10: 'classes'}
[hi, i , heard, about, spark] -> [6, 0, 9, 8, 1] instead of [0,1,6,8,9]
最佳答案
我最近有一个与您类似的用例。我最终使用了 StringIndexer
:
l = [
(0, ["hi", "i", "heard", "about", "spark"]),
(1, ["i", "wish", "java", "could", "use", "case", "spark", "classes"])
]
wordDataFrame = spark.createDataFrame(l, ['id', 'words'])
wordDataFrame.show()
+---+--------------------+
| id| words|
+---+--------------------+
| 0|[hi, i, heard, ab...|
| 1|[i, wish, java, c...|
+---+--------------------+
from pyspark.ml.feature import StringIndexer
# define indexer
indexer = StringIndexer(inputCol="word_strings", outputCol="word_index")
# use explode to map col<array<string>> => col<string>
# fit indexer on col<string>
indexer = indexer.fit(
wordDataFrame
.select(F.explode(F.col("words")).alias("word_strings"))
)
print(indexer.labels)
['i', 'spark', 'heard', 'classes', 'java', 'could', 'use', 'hi', 'case', 'about', 'wish']
indexedWordDataFrame = (
indexer
.transform(
# use explode to map col<array<string>> => col<string>
# use indexer to transform col<string> => col<double>
wordDataFrame
.withColumn("word_strings", F.explode(F.col("words")))
)
# use groupby + collect_list to map col<double> => col<array<double>>
.groupby("id", "words")
.agg(F.collect_list("word_index").alias("word_index_array"))
)
indexedWordDataFrame.orderBy("id").show()
+---+--------------------+--------------------+
| id| words| word_index_array|
+---+--------------------+--------------------+
| 0|[hi, i, heard, ab...|[7.0, 0.0, 2.0, 9...|
| 1|[i, wish, java, c...|[0.0, 10.0, 4.0, ...|
+---+--------------------+--------------------+
关于apache-spark - 如何在pyspark中为 token 特征数组维护单词到索引映射的顺序?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/51756720/
我有以下数据框 (df_hvl),列名“FzListe”和以下数据: FzListe 7MA1, 7OS1 7MA1, 7ZJB 7MA2, 7MA3, 7OS1 76G1, 7MA1, 7OS1 7
我有点小问题。仅当尝试写入的相同字符串/单词不存在时,我才想写入文件。在我的例子中,它是一个 IP 地址和端口,用“:”分隔。如果我手动写入文件,例如 193...:80 和 193...:22,它指
如何返回结果列中的单词示例? 我得到的最接近的是 [\W]{2,}[^,\W].+[?=,] ID 文本 我的结果(完全匹配) 预期(完全匹配) 1 词A,世界B,词C , 世界 B, 字B 2 wo
我想在引号之间得到一个字符串 我知道一个解决方案是: /'.*?'/ 但问题是它不适用于英语中的所有格或收缩格 例如: What is the name of Mario's brother in t
我应该在句子中找到出现最多的单词。 这是我尝试过的,但不起作用。 '); $max = -1; $resultWords = array(); $resultCount = array(); $i =
我是vim的新手。我正在尝试练习(最近阅读了一些教程),但是我发现我不能不突出显示“复制粘贴”中的字符/单词/行。 在Textmate中,我通常使用SHIFT + CTRL + LeftArrowKe
有谁知道一个JSON格式的英语词典,该词典具有(单词,定义和单词类型,例如名词/形容词/动词/副词) 这种格式: [ {"Word" : "Chair", "Definition" : "A
我正在做一些 javascript,同时我注意到我无法替换 html 标记内的“ document.getElementById('label').innerHTML = document.get
您好,我正在使用 groovy 2.1.5,我必须编写一个代码来显示具有给定路径的目录的内容/文件,然后它会备份文件并替换文件中的单词/字符串。 这是我用来尝试替换所选文件中的单词的代码 String
我正在准备一个实验,我想使用python编写程序以识别参与者说出的某些单词。 我在python中搜索了很多有关语音识别的内容,但结果却很复杂(例如CMUSphinx)。 我要实现的是一个程序,该程序接
假设我有以下代码: $size = 23.9 $size = "$size GB" write $size 我想在其他事情上使用相同的变量,即 if ($size -lt 20) {...} 这显然是
我想替换字符串中单词 Date 的所有情况,除非它是 Date()(即 Date 后跟括号)。这是一个字符串示例以及我最初尝试的内容: x gsub("Date", paste("Date:", S
我对 Java 和编程都很陌生,请记住这一点,请不要对我严厉 ^^。接下来,我最近用 Java 进行了一些培训,我喜欢这个挑战,但现在我只是陷入困境。我做了一些示例来查找用户输入的最大字符串,一切都很
我必须给一个数字x,并写x个字符串(单词)。我必须找到写得最多的那一篇。它可以工作,但是当我尝试从文件中读取它时,却没有。例如,如果我执行 a.out'' #include #include in
这里是学习者,如果这个问题看起来很荒谬,请多多包涵。假设我试图引用字符串中的字符而不是字符串本身,我该怎么做呢?我的意思是; 给定:var str = "我想知道一个大脑分散的计算机如何保持理智" 我
这是阿克沙塔。我一直在解析以下数据。我想单独获取每个单词。我可以有一个示例代码以便我可以继续吗 RTRV-HDR RH01 SIMULATOR 09-11-18 16 13 19 M R
我有一个任意字符串,它总是包含至少一个英文单词后跟一系列数字:"Hello World 1234" 我如何只提取 "Hello World" 来自字符串? 最佳答案 在我看来你需要反正则表达式: St
我正在尝试输入一个四个单词的句子,然后能够使用indexOf和子字符串单独打印出每个单词。有什么想法我做错了吗? 已编辑 那么这就是它应该的样子吗?我已经运行了两次,得到了两个不同的答案,所以我不确定
如何在文本开头查找短语(单词) 我需要非常快速的解决方案来查明文本是否以某些已知短语开头 我在 Mysql (innodb) 表中的短语如下: CREATE TABLE IF NOT EXISTS `
我在 MYSQL 表中有一本字典,该表由 240 000 个单词组成。例如,如果我有字母 G、I、G、S、N> 和 O 我想选择表中包含所有或部分这些字母(并且没有其他字母)的所有单词。 可接受的词语
我是一名优秀的程序员,十分优秀!