Python Pyspark管道中的用户定义转换器
我正在尝试创建一个pyspark管道来运行分类模型。我的数据集有一个字符串列。因此,在管道中应用模型之前,我使用“StringIndexer”将其转换为数值 我的管道只包含两个阶段StringIndexer和ClassificationModel StringIndexer正在使用索引创建一个新列,但旧列也会保留。我想在管道中引入一个新的转换器来删除一个“字符串”列。这可能吗 是否有其他方法可以删除StringIndexer中的实际列Python Pyspark管道中的用户定义转换器,python,apache-spark,machine-learning,pyspark,spark-dataframe,Python,Apache Spark,Machine Learning,Pyspark,Spark Dataframe,我正在尝试创建一个pyspark管道来运行分类模型。我的数据集有一个字符串列。因此,在管道中应用模型之前,我使用“StringIndexer”将其转换为数值 我的管道只包含两个阶段StringIndexer和ClassificationModel StringIndexer正在使用索引创建一个新列,但旧列也会保留。我想在管道中引入一个新的转换器来删除一个“字符串”列。这可能吗 是否有其他方法可以删除StringIndexer中的实际列 谢谢是的,您可以扩展抽象类转换器并创建您自己的转换器,从而删
谢谢是的,您可以扩展
抽象类转换器
并创建您自己的转换器,从而删除不必要的列
这应该如下所示:
import org.apache.spark.ml.Transformer
import org.apache.spark.ml.param.ParamMap
import org.apache.spark.ml.util.Identifiable
import org.apache.spark.sql.{DataFrame, Dataset}
import org.apache.spark.sql.types.{
ArrayType,
StringType,
StructField,
StructType
}
import org.apache.spark.sql.functions.collect_list
class Dropper(override val uid: String) extends Transformer {
def this() = this(Identifiable.randomUID("dropper"))
override def transform(dataset: Dataset[_]): DataFrame = {
dataset.drop("your-column-name-here")
}
override def copy(extra: ParamMap): Transformer = defaultCopy(extra)
override def transformSchema(schema: StructType): StructType = {
//here you should right your result schema i.e. the schema without the dropped column
}
}
我已经做了一段时间了,它对我来说很好
注意,您还可以扩展抽象类估计器
希望能有帮助。致以最诚挚的问候@Deva如果答案正确,请给出正确答案,否则请评论您的问题