python - Pyspark CountVectorizer 和语料库中的词频
问题描述
我目前正在研究文本语料库。
假设我清理了逐字记录并且我有以下 pyspark DataFrame :
df = spark.createDataFrame([(0, ["a", "b", "c"]),
(1, ["a", "b", "b", "c", "a"])],
["label", "raw"])
df.show()
+-----+---------------+
|label| raw|
+-----+---------------+
| 0| [a, b, c]|
| 1|[a, b, b, c, a]|
+-----+---------------+
我现在想实现一个 CountVectorizer。所以,我使用pyspark.ml.feature.CountVectorizer
如下:
cv = CountVectorizer(inputCol="raw", outputCol="vectors")
model = cv.fit(df)
model.transform(df).show(truncate=False)
+-----+---------------+-------------------------+
|label|raw |vectors |
+-----+---------------+-------------------------+
|0 |[a, b, c] |(3,[0,1,2],[1.0,1.0,1.0])|
|1 |[a, b, b, c, a]|(3,[0,1,2],[2.0,2.0,1.0])|
+-----+---------------+-------------------------+
现在,我还想获取 CountVectorizer 选择的词汇,以及语料库中对应的词频。
使用cvmodel.vocabulary
仅提供词汇表:
voc = cvmodel.vocabulary
voc
[u'b', u'a', u'c']
我想得到类似的东西:
voc = {u'a':3,u'b':3,u'c':2}
你有什么想法做这样的事情吗?
编辑:
我正在使用 Spark 2.1
解决方案
调用cv.fit()
返回 a CountVectorizerModel
,它(AFAIK)存储词汇但不存储计数。词汇表是模型的属性(它需要知道要计算哪些词),但计数是 DataFrame 的属性(不是模型)。您可以应用拟合模型的变换函数来获取任何 DataFrame 的计数。
话虽如此,这里有两种获得所需输出的方法。
1. 使用现有的 Count Vectorizer 模型
您可以使用pyspark.sql.functions.explode()
andpyspark.sql.functions.collect_list()
将整个语料库收集到一行中。出于说明目的,让我们考虑一个新的 DataFrame df2
,其中包含一些不被拟合的单词CountVectorizer
:
import pyspark.sql.functions as f
df2 = sqlCtx.createDataFrame([(0, ["a", "b", "c", "x", "y"]),
(1, ["a", "b", "b", "c", "a"])],
["label", "raw"])
combined_df = (
df2.select(f.explode('raw').alias('col'))
.select(f.collect_list('col').alias('raw'))
)
combined_df.show(truncate=False)
#+------------------------------+
#|raw |
#+------------------------------+
#|[a, b, c, x, y, a, b, b, c, a]|
#+------------------------------+
然后使用拟合模型将其转换为计数并收集结果:
counts = model.transform(combined_df).select('vectors').collect()
print(counts)
#[Row(vectors=SparseVector(3, {0: 3.0, 1: 3.0, 2: 2.0}))]
接下来zip
将计数和词汇表放在一起,并使用dict
构造函数来获得所需的输出:
print(dict(zip(model.vocabulary, counts[0]['vectors'].values)))
#{u'a': 3.0, u'b': 3.0, u'c': 2.0}
正如您在评论中正确指出的那样,这只会考虑属于CountVectorizerModel
词汇表的单词。任何其他词都将被忽略。因此,我们看不到"x"
or的任何条目"y"
。
2.使用DataFrame聚合函数
或者您可以跳过CountVectorizer
并使用groupBy()
. 这是一个更通用的解决方案,因为它将计算 DataFrame 中所有单词的计数,而不仅仅是词汇表中的单词:
counts = df2.select(f.explode('raw').alias('col')).groupBy('col').count().collect()
print(counts)
#[Row(col=u'x', count=1), Row(col=u'y', count=1), Row(col=u'c', count=2),
# Row(col=u'b', count=3), Row(col=u'a', count=3)]
现在只需使用dict
理解:
print({row['col']: row['count'] for row in counts})
#{u'a': 3, u'b': 3, u'c': 2, u'x': 1, u'y': 1}
"x"
在这里,我们也有计数"y"
。
推荐阅读
- spring - 如何在spring boot中验证rest url?
- python - 如何为 pyplot 散点图中的标记提供自定义 RGB 颜色?
- android - 安卓汽车兼容性
- machine-learning - 您如何描述坐标的连通性?
- rpm - 如何在安装新软件包之前删除旧的 RPM 软件包
- mysql - MySQL INSERT INTO ... VALUE 和 SELECT 有几个字段
- angular6 - Angular 6 反应形式。选择的FormArray
- .htaccess - 如何阻止 rawgit.com 访问我的网站服务器
- php - 如何将类名分配给 $variable 函数
- reactjs - 尝试获取 MuiThemeProvider 会出错