我有一个包含大约30,000个独特文档的数据集,因为它们中有一个特定的关键字。数据集中的一些关键字段是文档标题,文件大小,关键字和摘录(关键字周围50个字)。这些~30k个独特文档中的每一个都有多个关键字,每个文档在每个关键字的数据集中都有一行(因此,每个文档都有多行)。以下是原始数据集中关键字段的示例:
我的目标是建立一个模型来标记某些出现的文件(孩子抱怨家庭作业等),所以我需要对关键字和摘录字段进行矢量化,然后将它们压缩,这样我们每个唯一文档都有一行。 / p>
仅使用关键字作为我尝试做的示例 - 我应用了Tokenizer,StopWordsRemover和CountVectorizer,然后输出一个带有计数向量化结果的稀疏矩阵。一个稀疏向量可能类似于:sparseVector(158,{7:1.0,65:1.0,78:2.0,110:1.0,155:3.0})
我想做两件事之一:
为了让您了解我的意思 - 下图中左侧是CountVectorizer输出所需的密集矢量表示,左侧是我想要的最终数据集。
答案 0 :(得分:2)
我会尝试:
>>> from pyspark.ml.linalg import SparseVector, DenseVector
>>>
>>> df = sc.parallelize([
... (1, SparseVector(158, {7: 1.0, 65: 1.0, 78: 2.0, 110: 1.0, 155: 3.0})),
... (1, SparseVector(158, {99: 100.0})),
... (2, SparseVector(158, {1: 1.0})),
... ]).toDF(["docId", "features"])
>>> df.rdd.mapValues(lambda v: v.toArray()) \
... .reduceByKey(lambda x, y: x + y) \
... .mapValues(lambda x: DenseVector(x)) \
... .toDF(["docId", "features"])