如何在DataFrame中合并多个特征向量？

Question

使用Spark ML变换器我到达DataFrame，每行看起来像这样：

Row(object_id, text_features_vector, color_features, type_features)

其中text_features是术语权重的稀疏向量，color_features是一个小的20元素（单热编码器）密集颜色向量，type_features也是一个-hot-encoder密集型矢量。

一个好的方法（使用Spark的设施）将这些功能合并到一个单独的大型数组中，以便我测量任何两个对象之间的余弦距离之类的东西？

Answer 1

您可以使用VectorAssembler：

import org.apache.spark.ml.feature.VectorAssembler
import org.apache.spark.sql.DataFrame

val df: DataFrame = ???

val assembler = new VectorAssembler()
  .setInputCols(Array("text_features", "color_features", "type_features"))
  .setOutputCol("features")

val transformed = assembler.transform(df)

对于PySpark示例，请参阅：Encode and assemble multiple features in PySpark