Question

我想了解Spark的OneHotEncoder默认情况下放弃最后一个类别的理性。

例如：

>>> fd = spark.createDataFrame( [(1.0, "a"), (1.5, "a"), (10.0, "b"), (3.2, "c")], ["x","c"])
>>> ss = StringIndexer(inputCol="c",outputCol="c_idx")
>>> ff = ss.fit(fd).transform(fd)
>>> ff.show()
+----+---+-----+
|   x|  c|c_idx|
+----+---+-----+
| 1.0|  a|  0.0|
| 1.5|  a|  0.0|
|10.0|  b|  1.0|
| 3.2|  c|  2.0|
+----+---+-----+

默认情况下，OneHotEncoder将删除最后一个类别：

>>> oe = OneHotEncoder(inputCol="c_idx",outputCol="c_idx_vec")
>>> fe = oe.transform(ff)
>>> fe.show()
+----+---+-----+-------------+
|   x|  c|c_idx|    c_idx_vec|
+----+---+-----+-------------+
| 1.0|  a|  0.0|(2,[0],[1.0])|
| 1.5|  a|  0.0|(2,[0],[1.0])|
|10.0|  b|  1.0|(2,[1],[1.0])|
| 3.2|  c|  2.0|    (2,[],[])|
+----+---+-----+-------------+

当然，这种行为可以改变：

>>> oe.setDropLast(False)
>>> fl = oe.transform(ff)
>>> fl.show()
+----+---+-----+-------------+
|   x|  c|c_idx|    c_idx_vec|
+----+---+-----+-------------+
| 1.0|  a|  0.0|(3,[0],[1.0])|
| 1.5|  a|  0.0|(3,[0],[1.0])|
|10.0|  b|  1.0|(3,[1],[1.0])|
| 3.2|  c|  2.0|(3,[2],[1.0])|
+----+---+-----+-------------+

问题::

在什么情况下需要默认行为？
盲目致电setDropLast(False)？
作者对文档中的以下陈述的含义是什么？

默认情况下不包括最后一个类别（可通过dropLast配置），因为它使向量条目总和为1，因此线性相关。

Answer 1

根据文件，保持列独立：

将一列类别索引映射到列的单热编码器二进制向量，每行最多一个单值表示输入类别索引。例如，有5个类别，一个输入值2.0将映射到[0.0,0.0,1.0的输出向量， 0.0]。默认情况下不包括最后一个类别（可通过OneHotEncoder！.dropLast配置，因为它使向量条目总和为一个，因而线性依赖。因此输入值4.0映射到 [0.0,0.0,0.0,0.0]。请注意，这与scikit-learn不同 OneHotEncoder，保留所有类别。输出向量是稀疏

https://spark.apache.org/docs/1.5.2/api/java/org/apache/spark/ml/feature/OneHotEncoder.html

为什么Spark的OneHotEncoder默认删除最后一个类别？

1 个答案: