我阅读了Spark docs的OHE条目,
单热编码将一列标签索引映射到一列二进制向量,最多只有一个单值。此编码允许期望连续特征(例如Logistic回归)的算法使用分类特征。
但遗憾的是他们没有对OHE结果给出完整的解释。所以运行给定的代码:
from pyspark.ml.feature import OneHotEncoder, StringIndexer
df = sqlContext.createDataFrame([
(0, "a"),
(1, "b"),
(2, "c"),
(3, "a"),
(4, "a"),
(5, "c")
], ["id", "category"])
stringIndexer = StringIndexer(inputCol="category", outputCol="categoryIndex")
model = stringIndexer.fit(df)
indexed = model.transform(df)
encoder = OneHotEncoder(inputCol="categoryIndex", outputCol="categoryVec")
encoded = encoder.transform(indexed)
encoded.show()
得到了结果:
+---+--------+-------------+-------------+
| id|category|categoryIndex| categoryVec|
+---+--------+-------------+-------------+
| 0| a| 0.0|(2,[0],[1.0])|
| 1| b| 2.0| (2,[],[])|
| 2| c| 1.0|(2,[1],[1.0])|
| 3| a| 0.0|(2,[0],[1.0])|
| 4| a| 0.0|(2,[0],[1.0])|
| 5| c| 1.0|(2,[1],[1.0])|
+---+--------+-------------+-------------+
我如何解释OHE的结果(最后一栏)?
答案 0 :(得分:18)
单热编码将categoryIndex
中的值转换为二进制向量,其中最多一个值可以是1.由于有三个值,向量的长度为2,映射如下:
0 -> 10
1 -> 01
2 -> 00
(为什么这样的映射?请参阅this question关于删除最后一个类别的单热编码器。)
列categoryVec
中的值正是这些值,但是以稀疏格式表示。在这种格式中,不打印矢量的零。第一个值(2)显示向量的长度,第二个值是一个列出零个或多个索引的数组,其中找到非零条目。第三个值是另一个数组,它告诉在这些索引处找到哪些数字。
所以(2,[0],[1.0])表示长度为2的向量,位置0为1.0,其他位置为0。
请参阅:https://spark.apache.org/docs/latest/mllib-data-types.html#local-vector