Spark中的StandardScaler无法正常工作

时间:2018-08-08 18:08:00

标签: apache-spark scikit-learn pyspark apache-spark-ml

有人知道为什么spark将为StandardScaler这样做吗?按照StandardScaler的定义:

  

StandardScaler将一组特征标准化为零均值   标准偏差为1。带有Std的标志会将数据缩放为   带有withMean的标志时的单位标准偏差(默认为false)   在缩放数据之前将其居中。

>>> tmpdf.show(4)
+----+----+----+------------+
|int1|int2|int3|temp_feature|
+----+----+----+------------+
|   1|   2|   3|       [2.0]|
|   7|   8|   9|       [8.0]|
|   4|   5|   6|       [5.0]|
+----+----+----+------------+

>>> sScaler = StandardScaler(withMean=True, withStd=True).setInputCol("temp_feature")
>>> sScaler.fit(tmpdf).transform(tmpdf).show()
+----+----+----+------------+-------------------------------------------+
|int1|int2|int3|temp_feature|StandardScaler_4fe08ca180ab163e4120__output|
+----+----+----+------------+-------------------------------------------+
|   1|   2|   3|       [2.0]|                                     [-1.0]|
|   7|   8|   9|       [8.0]|                                      [1.0]|
|   4|   5|   6|       [5.0]|                                      [0.0]|
+----+----+----+------------+-------------------------------------------+

在麻木的世界

>>> x
array([2., 8., 5.])
>>> (x - x.mean())/x.std()
array([-1.22474487,  1.22474487,  0.        ])

在sklearn世界中

>>> scaler = StandardScaler(with_mean=True, with_std=True)
>>> data
[[2.0], [8.0], [5.0]]
>>> print(scaler.fit(data).transform(data))
[[-1.22474487]
 [ 1.22474487]
 [ 0.        ]]

1 个答案:

答案 0 :(得分:5)

您的结果与预期不符的原因是,pyspark.ml.feature.StandardScaler使用了无偏样本标准偏差而不是总体标准偏差。

从文档中

  

“ {std”是使用corrected sample standard deviation计算的,TreeSet是无偏差样本方差的平方根。

如果您尝试使用示例标准偏差来测试numpy代码,则会看到相同的结果:

import numpy as np

x = np.array([2., 8., 5.])
print((x - x.mean())/x.std(ddof=1))
#array([-1.,  1.,  0.])

从建模的角度来看,这几乎肯定不是问题(除非您的数据是全部人口,几乎永远不会这样)。还请记住,对于大样本量,样本标准偏差接近总体标准偏差。因此,如果您的DataFrame中有很多行,则此处的差异可以忽略不计。


但是,如果您坚持要让缩放器使用总体标准差,则一种“怪异”的方法是在DataFrame中添加一行作为列均值。

回想一下,标准差定义为与均值之差的平方和的平方根。或作为功能:

# using the same x as above
def popstd(x): 
    return np.sqrt(sum((xi - x.mean())**2/len(x) for xi in x))

print(popstd(x))
#2.4494897427831779

print(x.std())
#2.4494897427831779

使用无偏标准偏差时的区别只是用len(x)-1除而不是len(x)除。因此,如果您添加一个等于平均值​​的样本,则可以增加分母而不影响整体平均值。

假设您具有以下DataFrame:

df = spark.createDataFrame(
    np.array(range(1,10,1)).reshape(3,3).tolist(),
    ["int1", "int2", "int3"]
)
df.show()
#+----+----+----+
#|int1|int2|int3|
#+----+----+----+
#|   1|   2|   3|
#|   4|   5|   6|
#|   7|   8|   9|
#+----+----+----+

将此DataFrame与每列的平均值合并:

import pyspark.sql.functions as f
# This is equivalent to UNION ALL in SQL
df2 = df.union(df.select(*[f.avg(c).alias(c) for c in df.columns]))

现在缩放您的值:

from pyspark.ml.feature import VectorAssembler, StandardScaler
va = VectorAssembler(inputCols=["int2"], outputCol="temp_feature")

tmpdf = va.transform(df2)
sScaler = StandardScaler(
    withMean=True, withStd=True, inputCol="temp_feature", outputCol="scaled"
)
sScaler.fit(tmpdf).transform(tmpdf).show()
#+----+----+----+------------+---------------------+
#|int1|int2|int3|temp_feature|scaled               |
#+----+----+----+------------+---------------------+
#|1.0 |2.0 |3.0 |[2.0]       |[-1.2247448713915892]|
#|4.0 |5.0 |6.0 |[5.0]       |[0.0]                |
#|7.0 |8.0 |9.0 |[8.0]       |[1.2247448713915892] |
#|4.0 |5.0 |6.0 |[5.0]       |[0.0]                |
#+----+----+----+------------+---------------------+