这可能是天真的,但我刚开始使用PySpark和Spark。请帮助我理解Pyspark的One Hot Technique。我试图在其中一个列上进行OneHotEncoding。在一次热编码之后,数据帧架构添加了avector。但是要应用机器学习算法,应该是添加到现有数据框的单个列,每列代表一个类别,但不是矢量类型列。如何验证OneHotEncoding。
我的代码:
stringIndexer = StringIndexer(inputCol="business_type", outputCol="business_type_Index")
model = stringIndexer.fit(df)
indexed = model.transform(df)
encoder = OneHotEncoder(dropLast=False, inputCol="business_type_Index", outputCol="business_type_Vec")
encoded = encoder.transform(indexed)
encoded.select("business_type_Vec").show()
此显示:
+-----------------+
|business_type_Vec|
+-----------------+
| (2,[0],[1.0])|
| (2,[0],[1.0])|
| (2,[0],[1.0])|
| (2,[0],[1.0])|
| (2,[0],[1.0])|
| (2,[0],[1.0])|
| (2,[0],[1.0])|
| (2,[0],[1.0])|
| (2,[0],[1.0])|
| (2,[0],[1.0])|
| (2,[0],[1.0])|
| (2,[0],[1.0])|
| (2,[0],[1.0])|
| (2,[0],[1.0])|
| (2,[0],[1.0])|
| (2,[0],[1.0])|
| (2,[0],[1.0])|
| (2,[0],[1.0])|
| (2,[0],[1.0])|
| (2,[0],[1.0])|
+-----------------+
only showing top 20 rows
新添加的列是矢量类型。如何将其转换为每个类别的各个列
答案 0 :(得分:0)
您可能已经有了答案,但也许对其他人有帮助。对于矢量分割,您可以使用此答案(我已检查过它是否有效):
How to split dense Vector into columns - using pyspark
但是我认为你不需要将矢量转换回列(正如mtoto已经说过的那样),因为spark中的所有模型实际上都要求你提供矢量格式的输入功能(如果我错了请纠正我)