如何合并DataFrame中的多个特征向量？

Question

使用 Spark ML 转换器，我得到了 DataFrame，其中每一行如下所示：

Row(object_id, text_features_vector, color_features, type_features)

其中 text_features 是项权重的稀疏向量，color_features 是一个小的 20 元素（one-hot-encoder）密集颜色向量，type_features 也是类型的单热编码器密集向量。

什么是（使用 Spark 的工具）将这些特征合并到一个单一的大数组中的好方法，这样我就可以测量任意两个对象之间的 余弦距离 ？

Answer 1

您可以使用 VectorAssembler:

import org.apache.spark.ml.feature.VectorAssembler
import org.apache.spark.sql.DataFrame

val df: DataFrame = ???

val assembler = new VectorAssembler()
  .setInputCols(Array("text_features", "color_features", "type_features"))
  .setOutputCol("features")

val transformed = assembler.transform(df)

有关 PySpark 示例，请参阅：