Python 在自定义ML管道中的阶段之间传递变量

我想从数据帧中删除一些列，然后应用ML算法。我通过建造两条单独的管道来实现这一点。我的问题是如何将这两条管道合并为一条管道

#######################
from typing import Iterable
import pandas as pd
import pyspark.sql.functions as F
from pyspark.ml import Pipeline, Transformer
from pyspark.sql import DataFrame
from pyspark.ml.classification import DecisionTreeClassifier
from pyspark.ml.feature import VectorAssembler
#######################

#Custom Class
#######################
class ColumnDropper_test(Transformer):
    def __init__(self, banned_list: Iterable[str]):
        super().__init__()
        self.banned_list = banned_list

    def _transform(self, df: DataFrame) -> DataFrame:
        df = df.drop(
            *[x for x in df.columns if any(y in x for y in self.banned_list)])

        return df
#######################

#Sample Data
#######################
data = pd.DataFrame({
    'ball_column': [0, 1, 2, 3],
    'keep_column': [7, 8, 9, 10],
    'hall_column': [14, 15, 16, 17],
    'banned_me': [14, 15, 16, 17],
    'target': [21, 31, 41, 51]
})

df = spark.createDataFrame(data)
#######################

# First Pipeline
#######################
column_dropper = ColumnDropper_test(banned_list=['banned_me'])

model = Pipeline(stages=[column_dropper]).fit(df).transform(df)
#######################

#Second Pipeline(Question: Add the block of code below to the above pipeline)
#########################

ready = [col for col in model.columns if col != 'target']
assembler = VectorAssembler(inputCols=ready, outputCol='features')
dtc = DecisionTreeClassifier(featuresCol='features', labelCol='target')

model_2 = Pipeline(stages=[assembler,dtc])

train_data, test_data = model.randomSplit([0.5,0.5])
fit_model = model_2.fit(train_data)
results = fit_model.transform(test_data)   
results.select('features','Prediction').show()

我发现的挑战在于上述代码中的变量

ready

。由于调用

column\u dropper

后，

model.columns

将不同（列数较少），使用（df.columns）将其添加到同一管道将导致以下错误，因为原始数据已删除

禁用的列

#Combining both Pipelines failed attempt
model = Pipeline(stages=[column_dropper,assembler,dtc]).fit(df).transform(df)

调用o188.transform时出错：
java.lang.IllegalArgumentException:字段“禁止”不存在。
可用字段：ball\u列、keep\u列、hall\u列、target

我最初的建议是创建一个新类，该类继承了
ColumnDropper\u test
class的新变量
df.columns
。我们如何让
管道中的
汇编阶段从
列的dropper
阶段查看新的
df
，而不是查看原始的
df
？
您必须创建一个继承
向量汇编程序的自定义类来自动设置
输入：

from pyspark import keyword_only

class CustomVecssembler(VectorAssembler):
    @keyword_only
    def __init__(self, outputCol='features'):
        super(CustomVecssembler, self).__init__()
        self.transformer = VectorAssembler(outputCol=outputCol)
        if spark.version.startswith('2.1'):
            kwargs = self.__init__._input_kwargs
        else:
            kwargs = self._input_kwargs
        self.setParams(**kwargs)

    @keyword_only
    def setParams(self, outputCol='features'):
        if spark.version.startswith('2.1'):
            kwargs = self.__init__._input_kwargs
        else:
            kwargs = self._input_kwargs
        return self._set(**kwargs)

    def _transform(self, df):
        ready = [col for col in df.columns if col != 'target']
        self.setInputCols(ready)
        self.transformer.setInputCols(ready)
        df = self.transformer.transform(df)
        return df

正在验证它是否有效：

# prep dataset
data = pd.DataFrame({
    'ball_column': [0, 1, 2, 3],
    'keep_column': [7, 8, 9, 10],
    'hall_column': [14, 15, 16, 17],
    'banned_me': [14, 15, 16, 17],
    'target': [21, 31, 41, 51]
})
df = spark.createDataFrame(data)

# ORIGINAL IMPLEMENTATION
column_dropper = ColumnDropper_test(banned_list=['banned_me'])
model = Pipeline(stages=[column_dropper]).fit(df).transform(df)

ready = [col for col in model.columns if col != 'target']
assembler = VectorAssembler(inputCols=ready, outputCol='features')
dtc = DecisionTreeClassifier(featuresCol='features', labelCol='target')

model_2 = Pipeline(stages=[assembler, dtc])

train_data, test_data = model.randomSplit([0.5, 0.5])
fit_model = model_2.fit(train_data)
results = fit_model.transform(test_data)
results.select('features','Prediction').show()

# +--------------+----------+
# |      features|Prediction|
# +--------------+----------+
# |[1.0,15.0,8.0]|      51.0|
# |[2.0,16.0,9.0]|      51.0|
# +--------------+----------+

# USING CUSTOM VEC ASSEMBLER
new_assembler = CustomVecssembler(outputCol='features')
new_pipeline = Pipeline(stages=[column_dropper, new_assembler, dtc]).fit(train_data)
new_results = new_pipeline.transform(test_data)
new_results.select('features', 'Prediction').show()

# +--------------+----------+
# |      features|Prediction|
# +--------------+----------+
# |[1.0,15.0,8.0]|      51.0|
# |[2.0,16.0,9.0]|      51.0|
# +--------------+----------+

真是个有趣的问题。我提出的一个丑陋的解决方案是嵌套
转换器
，即将汇编程序放在
ColumnDropper
类中。但必须有更好的解决办法。但是，我偶然发现，定制的
Transformer
没有
getOutputCols
方法。因此，对于一个好的解决方案，我们必须找到一种方法来实现它（我认为）。我还没有找到如何做到这一点，好奇地想看看其他人的解决方法。@Florian不客气！总是有新的东西可以学习，所以@做得漂亮！非常感谢。另一方面，您认为在同一示例中，随着类数量的增加，为多个操作检查点/持久化/缓存
df
是一个好主意吗？例如，如果我们想包含一个类，用于更改列名、选择特定类型的列和其他预处理步骤。@没问题！对于您的问题，我并不认为有必要保留
df
，因为管道中的后续转换步骤不会真正利用缓存的
df
——它们使用上一步转换的数据帧。我能看到持久化
df
值的唯一情况是当您有多个管道要应用
df
时。@Matthew不幸的是，这是用python编写自定义转换器的问题之一，因为转换器最初是用Java编写的。我还没有找到一个干净的解决方案，转换器可以从Java类访问属性/方法，但如果我找到了解决方案，我会让您知道。@Matthew我对该类添加了一些其他编辑。显然，在尝试转换时，我得到了一个
“function”对象没有属性“\u input\u kwargs”
错误，并且我还添加了python 2.7与
超级（父，自）初始化器的向后兼容性。有趣的是，该解决方案现在非常粗糙，因为它不仅继承自
VectorAssembler
，而且还包装了该类的一个实例。