Question

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：

Raw Data Example

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：

将稀疏向量转换为密集向量，然后我可以通过docID进行分组并对每列进行求和（一列=一个标记）
直接对稀疏向量求和（按docID分组）

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。

CountVectorizer Output & Desired Dataset

Answer 1

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"])

Pyspark - 多个稀疏向量的和（CountVectorizer输出）

1 个答案: