Pyspark特征工程

阅读: 评论:0

Pyspark特征工程

Pyspark特征工程

StopWordsRemover

class pyspark.ml.feature.StopWordsRemover(inputCol=None, outputCol=None, stopWords=None, caseSensitive=False, locale=None

StopWordsRemover的功能是直接移除所有停用词(stopword),所有从inputCol输入的量都会被它检查,然后再outputCol中,这些停止词都会去掉了。

默认的话会在构建StopWordsRemover对象的时候调用loadDefaultStopWords(language: String): Array[String]加载/org/apache/spark/ml/feature/

这是一个简单的停止词表,包含181个词(spark2.2)。

默认还提供了其他几种语言(danish, dutch, english, finnish, french, german, hungarian,italian, norwegian, portuguese, russian, spanish, swedish, turkish)的停止词,遗憾的是没有中文默认停止词表,所以对于中文停止词需要自己提供.

对于不同类型的需求而言,对停止词的处理是不同的。

  1. 有监督的机器学习 – 将停止词从特征空间剔除,2. 聚类– 降低停止词的权重

  2. 信息检索– 不对停止词做索引,4. 自动摘要- 计分时不处理停止词

对于不同语言,停止词的类型都可能有出入,但是一般而言有这简单的三类

  1. 限定词 ,2. 并列连词 ,3. 介词

停止词的词表一般不需要自己制作,有很多选项可以自己下载选用

01.加载模块,生成对象

from pyspark.sql import SparkSession
from pyspark.ml.feature import StopWordsRemover
spark = fig("spark.driver.host","192.168.1.4").config("spark.ui.showConsoleProgress","false").appName("StopWordsRemover").master("local[*]").getOrCreate()

02.创建数据

data = ateDataFrame([(["Beautiful","is","better","than","ugly"],),(["Explicit","is","better","than","implicit"],),(["Simple","is","better","than","complex"],),(["Complex","is","better","than","complicated"],),(["Flat","is","better","than","nested"],),(["Sparse","is","better","than","dense"],)
],["text"])
data.show()

​ 输出结果:

+--------------------+
|                text|
+--------------------+
|[Beautiful, is, b...|
|[Explicit, is, be...|
|[Simple, is, 
|[Complex, is, 
|[Flat, is, 
|[Sparse, is, 
+--------------------+

03.使用head,详细查看

data.head(6)

​ 输出结果:

[Row(text=['Beautiful', 'is', 'better', 'than', 'ugly']),Row(text=['Explicit', 'is', 'better', 'than', 'implicit']),Row(text=['Simple', 'is', 'better', 'than', 'complex']),Row(text=['Complex', 'is', 'better', 'than', 'complicated']),Row(text=['Flat', 'is', 'better', 'than', 'nested']),Row(text=['Sparse', 'is', 'better', 'than', 'dense'])]

04.使用StopWordsRemover,剔除不需要的单词,并查看结果

stopWordsRemover = StopWordsRemover(inputCol="text",outputCol="res",stopWords=["is","better","than"])
data = ansform(data)
data.show()
data.head(6)

​ 输出结果:

+--------------------+--------------------+
|                text|                 res|
+--------------------+--------------------+
|[Beautiful, is, b...|   [Beautiful, ugly]|
|[Explicit, is, be...|[Explicit, implicit]|
|[Simple, is,    [Simple, complex]|
|[Complex, is, [Complex, 
|[Flat, is,       [Flat, nested]|
|[Sparse, is,      [Sparse, dense]|
+--------------------+--------------------+[Row(text=['Beautiful', 'is', 'better', 'than', 'ugly'], res=['Beautiful', 'ugly']),Row(text=['Explicit', 'is', 'better', 'than', 'implicit'], res=['Explicit', 'implicit']),Row(text=['Simple', 'is', 'better', 'than', 'complex'], res=['Simple', 'complex']),Row(text=['Complex', 'is', 'better', 'than', 'complicated'], res=['Complex', 'complicated']),Row(text=['Flat', 'is', 'better', 'than', 'nested'], res=['Flat', 'nested']),Row(text=['Sparse', 'is', 'better', 'than', 'dense'], res=['Sparse', 'dense'])]

05.查看结构

data.printSchema()

​ 输出结果:

root|-- text: array (nullable = true)|    |-- element: string (containsNull = true)|-- res: array (nullable = true)|    |-- element: string (containsNull = true)

本文发布于:2024-01-28 11:01:12,感谢您对本站的认可!

本文链接:https://www.4u4v.net/it/17064108756949.html

版权声明:本站内容均来自互联网,仅供演示用,请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系,我们将在24小时内删除。

标签:特征   工程   Pyspark
留言与评论(共有 0 条评论)
   
验证码:

Copyright ©2019-2022 Comsenz Inc.Powered by ©

网站地图1 网站地图2 网站地图3 网站地图4 网站地图5 网站地图6 网站地图7 网站地图8 网站地图9 网站地图10 网站地图11 网站地图12 网站地图13 网站地图14 网站地图15 网站地图16 网站地图17 网站地图18 网站地图19 网站地图20 网站地图21 网站地图22/a> 网站地图23