Pyspark

Question

我有一个包含约 30k 个独特文档的数据集，这些文档被标记是因为它们中有特定的关键字。数据集中的一些关键字段是文档标题、文件大小、关键字和摘录（关键字周围 50 个词）。这些约 30k 个独特文档中的每一个都有多个关键字，每个文档在每个关键字的数据集中都有一行（因此，每个文档都有多行）。以下是原始数据集中关键字段的示例：

Raw Data Example

我的目标是建立一个模型来标记某些事件（孩子抱怨作业等）的文档，所以我需要向量化关键字和摘录字段，然后将它们压缩下来，这样我们每个独特的文档都有一行.

仅使用关键字作为我正在尝试做的事情的示例 - 我应用了 Tokenizer、StopWordsRemover 和 CountVectorizer，它们随后将输出一个包含计数矢量化结果的稀疏矩阵。一个稀疏向量可能类似于：sparseVector(158, {7: 1.0, 65: 1.0, 78: 2.0, 110: 1.0, 155: 3.0})

我想做以下两件事之一：

将稀疏向量转换为密集向量，然后我可以按 docID 分组并对每一列求和（一列 = 一个标记）
直接对稀疏向量求和（按 docID 分组）

为了让您了解我的意思 - 下图左侧是 CountVectorizer 输出的所需密集向量表示，左侧是我想要的最终数据集。

CountVectorizer Output & Desired Dataset

Answer 1

我会尝试：

>>> from pyspark.ml.linalg import SparseVector, DenseVector
>>> 
>>> df = sc.parallelize([
...     (1, SparseVector(158, {7: 1.0, 65: 1.0, 78: 2.0, 110: 1.0, 155: 3.0})),
...     (1, SparseVector(158, {99: 100.0})),
...     (2, SparseVector(158, {1: 1.0})),
... ]).toDF(["docId", "features"])
>>> df.rdd.mapValues(lambda v: v.toArray()) \
...     .reduceByKey(lambda x, y: x + y) \
...     .mapValues(lambda x: DenseVector(x)) \
...     .toDF(["docId", "features"])

Pyspark - 对多个稀疏向量求和（CountVectorizer 输出）

Pyspark - Sum over multiple sparse vectors (CountVectorizer Output)

python

tf-idf

apache-spark

countvectorizer