17

我HashingTF在 Spark 中使用创建了词频。我得到了tf.transform每个单词使用的术语频率。

但结果以这种格式显示。

[<hashIndexofHashBucketofWord1>,<hashIndexofHashBucketofWord2> ...]
,[termFrequencyofWord1, termFrequencyOfWord2 ....]

例如：

(1048576,[105,3116],[1.0,2.0])

我能够使用tf.indexOf("word").

但是，如何使用索引获取单词？

4

1 回答 1

26

好吧，你不能。由于散列是非内射的，因此没有反函数。换句话说，无限数量的令牌可以映射到单个存储桶，因此无法判断哪个令牌实际存在。

如果您使用较大的散列并且唯一令牌的数量相对较低，那么您可以尝试创建一个从存储桶到数据集中可能的令牌的查找表。它是一对多映射，但如果满足上述条件，冲突的数量应该相对较低。

如果您需要可逆转换，您可以使用组合Tokenizer并StringIndexer手动构建稀疏特征向量。

另请参阅：Spark 对 HashingTF 使用什么散列函数以及如何复制它？

编辑：

在 Spark 1.5+ (PySpark 1.6+) 中，您可以使用CountVectorizer 它应用可逆转换并存储词汇。

Python：

from pyspark.ml.feature import CountVectorizer

df = sc.parallelize([
    (1, ["foo", "bar"]), (2, ["foo", "foobar", "baz"])
]).toDF(["id", "tokens"])

vectorizer = CountVectorizer(inputCol="tokens", outputCol="features").fit(df)
vectorizer.vocabulary
## ('foo', 'baz', 'bar', 'foobar')

斯卡拉：

import org.apache.spark.ml.feature.{CountVectorizer, CountVectorizerModel}

val df = sc.parallelize(Seq(
    (1, Seq("foo", "bar")), (2, Seq("foo", "foobar", "baz"))
)).toDF("id", "tokens")

val model: CountVectorizerModel = new CountVectorizer()
  .setInputCol("tokens")
  .setOutputCol("features")
  .fit(df)

model.vocabulary
// Array[String] = Array(foo, baz, bar, foobar)

其中第 0 位置的元素对应索引 0，第 1 位置的元素对应索引 1，依此类推。

于 2015-08-29T13:32:35.480 回答