Question

如何从经过训练的Spark MLlib StringIndexerModel获取映射？

val stringIndexer = new StringIndexer()
    .setInputCol("myCol")
    .setOutputCol("myColIdx")
val stringIndexerModel = stringIndexer.fit(data)
val res = stringIndexerModel.transform(data)

上面的代码会在myColIdx中将myCol添加到我的DataFrame映射值到基于值频率的索引。即最常见的值 - ＆gt; 0，第二最频繁 - ＆gt;等等...

如何从模型中检索该映射？如果我对模型进行序列化/反序列化，那么映射是否稳定（即我在变换后保证得到相同的结果）？

Answer 1

StringIndexerModel使用labels属性公开映射：

stringIndexerModel.labels: Array[String]

其中值对应于连续标签，例如：

val data = Seq("foo", "bar", "foo", "bar", "foobar", "bar").toDF("myCol")

您将关注labels：

import org.apache.spark.ml.feature.IndexToString

Array(bar, foo, foobar)

bar索引为0.0，foo为1.0，foobar为2.0。这是模型的属性，在模型为saved时保留。

在Pipeline中使用时，您还可以使用IndexToString，它将使用列元数据将索引映射回标签。

indexToString.transform(stringIndexerModel.transform(data)).show

+------+--------+-------------+
| myCol|myColIdx|myColReversed|
+------+--------+-------------+
|   foo|     1.0|          foo|
|   bar|     0.0|          bar|
|   foo|     1.0|          foo|
|   bar|     0.0|          bar|
|foobar|     2.0|       foobar|
|   bar|     0.0|          bar|
+------+--------+-------------+

检索Spark Mllib StringIndexer列映射

1 个答案: