特征抽取 — TF-IDF

特征处理相关的算法，大体分为以下三类： 特征抽取：从原始数据中抽取特征
特征转换：特征的维度、特征的转化、特征的修改
特征选取：从大规模特征集中选取一个子集

 #导入相关的库

from pyspark.ml.feature import HashingTF,IDF,Tokenizer

from pyspark.sql import SparkSession

#创建SparkSession对象

spark = SparkSession.builder.master('local').appName('TF-DF').getOrCreate()

 

#创建一个DataFrame, 每个句子代表一个文档

sentenceData = spark.createDataFrame([

(0,"I heard about Spark and I love Spark"),

(0,"I wish Java could use case classes"),

(1,"Logistic regression models are neat")]).toDF("label","sentence")

#用tokenizer对句子进行分词

tokenizer = Tokenizer(inputCol="sentence", outputCol="words")

wordsData = tokenizer.transform(sentenceData)

#用HasdingTf的transform方法把句子哈希成特征向量,这里的哈希表的桶数设为2000

hashingTF = HashingTF(inputCol="words", outputCol= "rawFeatures",numFeatures=20)

featurizeData = hashingTF.transform(wordsData)

#用IDF来对单纯的词频特征向量进行修正，使其更能体现不同词汇对文本的区别能力，IDF是一个Estimator，调用fit()方法并将词频向量传入，即产生一个IDFModel。

idf = IDF(inputCol="rawFeatures", outputCol="features")

idfModel = idf.fit(featurizeData)

#IDFModel是一个Transformer，调用它的transform()方法，即可得到每一个单词对应的TF-IDF度量值。

rescaledData = idfModel.transform(featurizeData)

rescaledData.select("label","features").show()

 

 

效果: