如何在可能为空的列上使用 PySpark CountVectorizer

Question

我的 Spark DataFrame 中有一列：

 |-- topics_A: array (nullable = true)
 |    |-- element: string (containsNull = true)

我正在使用 CountVectorizer：

topic_vectorizer_A = CountVectorizer(inputCol="topics_A", outputCol="topics_vec_A")

我收到 NullPointerExceptions，因为有时 topic_A 列包含空值。

有办法解决这个问题吗？用零长度数组填充它可以正常工作（尽管它会大大增加数据大小）-但我不知道如何在 PySpark 的数组列上执行 fillNa。

Answer 1

就我个人而言，我会删除具有 NULL 值的列，因为那里没有有用的信息，但您可以用空数组替换空值。首先是一些导入：

from pyspark.sql.functions import when, col, coalesce, array

您可以将特定类型的空数组定义为：

fill = array().cast("array<string>")

并将其与 when 子句组合：

topics_a = when(col("topics_A").isNull(), fill).otherwise(col("topics_A"))

或coalesce:

topics_a = coalesce(col("topics_A"), fill)

并将其用作：

df.withColumn("topics_A", topics_a)

所以示例数据：

df = sc.parallelize([(1, ["a", "b"]), (2, None)]).toDF(["id", "topics_A"])

df_ = df.withColumn("topics_A", topics_a)
topic_vectorizer_A.fit(df_).transform(df_)

结果将是：

+---+--------+-------------------+
| id|topics_A|       topics_vec_A|
+---+--------+-------------------+
|  1|  [a, b]|(2,[0,1],[1.0,1.0])|
|  2|      []|          (2,[],[])|
+---+--------+-------------------+

Answer 2

我有 similar issue，根据评论，我在标记化之前使用以下语法解析：

删除空值

clean_text_ddf.where(col("title").isNull()).show()
cleaned_text=clean_text_ddf.na.drop(subset=["title"])
cleaned_text.where(col("title").isNull()).show()
cleaned_text.printSchema()
cleaned_text.show(2)

+-----+
|title|
+-----+
+-----+

+-----+
|title|
+-----+
+-----+

root
 |-- title: string (nullable = true)

+--------------------+
|               title|
+--------------------+
|Mr. Beautiful (Up...|
|House of Ravens (...|
+--------------------+
only showing top 2 rows

如何在可能为空的列上使用 PySpark CountVectorizer

How to use the PySpark CountVectorizer on columns that maybe null

apache-spark

pyspark

apache-spark-mllib

删除空值