PySpark HashingTF 具有给定术语的文档计数

Question

我有一个 spark 数据框，其中“文本”列有一些文本。我想计算出现各种单词的行数 - 本质上是出现“术语”的“文档”数量 - 以及相关计数，如最常见的单词，行（或称它为文档）有这个最常用的词。

我正在使用 pyspark.ml.feature 中的 HashingTF。但似乎找不到从输出中提取此信息的有效方法。

# As an example create a Pandas-df
import pandas as pd
pandas_df = pd.DataFrame({"text": ["The cat jumped over the lazy dog",
                                   "The dog jumped and jumped and ran after the bird"
                                  ]}) 

# Convert to Spark-df
from pyspark.sql import SparkSession
spark = SparkSession.builder.getOrCreate()
spark_df = spark.createDataFrame(pandas_df)

# Add a column which has the individual words
from pyspark.sql.functions import split, col
spark_df = spark_df.withColumn("words", split(col("text"), " "))

# Use HashingTF
from pyspark.ml.feature import HashingTF
hashingTF = HashingTF(inputCol="words", outputCol="features")

df_term_frequency = hashingTF.transform(spark_df)

作为第一行的示例，数据框“df_term_frequency”列“features”具有：

矢量类型：“稀疏”

长度：262144

指数：[1398、51504、54556、95889、141363、179832、201496]

值：[1, 1, 1, 1, 1, 1, 1]

此列将包含词频。如何获得带有“懒惰”一词的行（文档）总数；包含单词“dog”和“bird”的行（文档）数？

有更好的方法吗？

Answer 1

更简单的方法是使用 .rlike

PySpark HashingTF 具有给定术语的文档计数

PySpark HashingTF Count of Documents which have a given term

dataframe

pyspark

tf-idf