Question

我已经能够创建一个允许我一次索引多个字符串列的管道，但是我对它们进行了编码，因为与索引不同，编码器不是估算器，所以我从不称呼根据{{3}}。

import org.apache.spark.ml.feature.{StringIndexer, VectorAssembler, 

OneHotEncoder}
import org.apache.spark.ml.Pipeline

val data = sqlContext.read.parquet("s3n://map2-test/forecaster/intermediate_data")

val df = data.select("win","bid_price","domain","size", "form_factor").na.drop()


//indexing columns
val stringColumns = Array("domain","size", "form_factor")
val index_transformers: Array[org.apache.spark.ml.PipelineStage] = stringColumns.map(
  cname => new StringIndexer()
    .setInputCol(cname)
    .setOutputCol(s"${cname}_index")
)

// Add the rest of your pipeline like VectorAssembler and algorithm
val index_pipeline = new Pipeline().setStages(index_transformers)
val index_model = index_pipeline.fit(df)
val df_indexed = index_model.transform(df)


//encoding columns
val indexColumns  = df_indexed.columns.filter(x => x contains "index")
val one_hot_encoders: Array[org.apache.spark.ml.PipelineStage] = indexColumns.map(
    cname => new OneHotEncoder()
     .setInputCol(cname)
     .setOutputCol(s"${cname}_vec")
)



val one_hot_pipeline = new Pipeline().setStages(one_hot_encoders)
val df_encoded = one_hot_pipeline.transform(df_indexed)

OneHotEncoder对象没有fit方法，所以将它放在与索引器相同的管道中将无法工作 - 当我在管道上调用fit时会抛出错误。我也无法调用我使用管道阶段数组one_hot_encoders创建的管道上的变换。

我没有找到一个很好的解决方案，使用OneHotEncoder而不单独创建和调用转换为我想要编码的所有列转换本身

Answer 1

Spark＆gt; = 2.3

Spark 2.3引入了新的类OneHotEncoderEstimator，OneHotEncoderModel，即使在Pipeline之外使用也需要拟合，并且同时对多个列进行操作。

import org.apache.spark.ml.feature.{OneHotEncoderEstimator, OneHotEncoderModel}

val encoder = new OneHotEncoderEstimator()
  .setInputCols(indexColumns)
  .setOutputCols(indexColumns map (name => s"${name}_vec"))


encoder.fit(df_indexed).transform(df_indexed)

Spark＆lt; 2.3

即使您使用的变形金刚不需要拟合，您也必须使用fit方法创建可用于转换数据的PipelineModel。

one_hot_pipeline.fit(df_indexed).transform(df_indexed)

在旁注中，您可以将索引编码和编码合并为一个Pipeline：

val pipeline = new Pipeline() .setStages(index_transformers ++ one_hot_encoders) val model = pipeline.fit(df) model.transform(df)

修改：

您看到错误表示您的某列包含空String。它被索引器接受但不能用于编码。根据您的要求，您可以删除它们或使用虚拟标签。很遗憾，在SPARK-11569)解决之前，您无法使用NULLs。

在多列上使用Spark ML的OneHotEncoder

1 个答案: