如何从PySpark的向量结构中获取项目

我正在尝试从TF-IDF结果向量中获取分数数组。例如:

rescaledData.select("words", "features").show()+-----------------------------+---------------------------------------------------------------------------------------------+|words                        |features                                                                                     |+-----------------------------+---------------------------------------------------------------------------------------------+|[a, b, c]                    |(4527,[0,1,31],[0.6363067860791387,1.0888040725098247,4.371858972705023])                    ||[d]                          |(4527,[8],[2.729945780576634])                                                               |+-----------------------------+---------------------------------------------------------------------------------------------+
rescaledData.select(rescaledData['features'].getItem('values')).show()

但我得到的不是数组,而是一个错误。

AnalysisException: u"Can't extract value from features#1786: need struct type but got struct<type:tinyint,size:int,indices:array<int>,values:array<double>>;"

我想要的结果是

+--------------------------+-----------------------------------------------------------+|words                     |features                                                   |+--------------------------+-----------------------------------------------------------+|[a, b, c]                 |[0.6363067860791387, 1.0888040725098247, 4.371858972705023]|+--------------------------+-----------------------------------------------------------+

如何解决这个问题?


回答:

另一种方法是创建一个udf来从稀疏向量中获取值:

from pyspark.sql.functions import udffrom pyspark.sql.types import DoubleType, ArrayTypesparse_values = udf(lambda v: v.values.tolist(), ArrayType(DoubleType()))df.withColumn("features", sparse_values("features")).show(truncate=False)+---------+-----------------------------------------------------------+|word     |features                                                   |+---------+-----------------------------------------------------------+|[a, b, c]|[0.6363067860791387, 1.0888040725098247, 4.371858972705023]||[d]      |[2.729945780576634]                                        |+---------+-----------------------------------------------------------+

Related Posts

使用LSTM在Python中预测未来值

这段代码可以预测指定股票的当前日期之前的值,但不能预测…

如何在gensim的word2vec模型中查找双词组的相似性

我有一个word2vec模型,假设我使用的是googl…

dask_xgboost.predict 可以工作但无法显示 – 数据必须是一维的

我试图使用 XGBoost 创建模型。 看起来我成功地…

ML Tuning – Cross Validation in Spark

我在https://spark.apache.org/…

如何在React JS中使用fetch从REST API获取预测

我正在开发一个应用程序,其中Flask REST AP…

如何分析ML.NET中多类分类预测得分数组?

我在ML.NET中创建了一个多类分类项目。该项目可以对…

发表回复

您的邮箱地址不会被公开。 必填项已用 * 标注