将 BigQuery 中的可为空数据馈送到 TensorFlow 转换

Question

我们正在尝试构建一个管道，该管道从 BigQuery 获取数据，通过 TensorFlow Transform 运行，然后在 TensorFlow 中进行训练。

管道已启动并正在运行，但我们在 BigQuery 中处理空值时遇到了困难。

我们正在使用 Beam 从 BigQuery 加载：

    raw_data = (pipeline
                | '{}_read_from_bq'.format(step) >> beam.io.Read(
                    beam.io.BigQuerySource(query=source_query,
                                           use_standard_sql=True,
                                           )))

我正在使用数据集元数据，尝试FixedLenFeature 和VarLenFeature 用于各种列：

    # Categorical feature schema
    categorical_features = {
        column_name: tf.io.FixedLenFeature([], tf.string) for column_name in categorical_columns
    }
    raw_data_schema.update(categorical_features)

    # Numerical feature schema
    numerical_features = {
        column_name: tf.io.VarLenFeature(tf.float32) for column_name in numerical_columns
    }
    raw_data_schema.update(numerical_features)

    # Create dataset_metadata given raw_data_schema
    raw_metadata = dataset_metadata.DatasetMetadata(
        schema_utils.schema_from_feature_spec(raw_data_schema))

正如预期的那样，如果您尝试将 BigQuery NULL 输入到 FixedLenFeature，它会中断。

但是，当我尝试将字符串或整数输入 VarLenFeature 时，它也会中断。这似乎是因为 VarLenFeature 需要一个列表，但 BigQuerySource 提供了一个 Python 原语。它中断的确切点在这里（错误来自我尝试使用整数时）：

File "/usr/local/lib/python3.7/site-packages/tensorflow_transform/impl_helper.py", line 157, in <listcomp>
indices = [range(len(value)) for value in values]
TypeError: object of type 'int' has no len()
[while running 'train_transform/AnalyzeDataset/ApplySavedModel[Phase0]/ApplySavedModel/ApplySavedModel']

当我使用我的字符串输入尝试 VarLenFeature 时，例如"UK"，输出是这样的 SparseTensor：

SparseTensorValue(indices=[(0, 0), (0, 1)], values=['U', 'K'], dense_shape=(1, 2))

所以看来我需要将一个列表传递给 VarLenFeature 才能使其工作，但 BigQuerySource 默认情况下不这样做。

有没有一种简单的方法来实现这一点？还是我完全错过了从 BigQuery 读取可空列的标记？

非常感谢您！

Answer 1

您可能需要自己处理 NULL（缺失）值。对于数值列，您可以将 NULL 替换为平均值或中位数。对于分类列 (STRING)，您可以使用一些默认值，如空 STRING 或新值作为缺失值指示符。

我对 VarLenFeature 不是很熟悉，但您可能可以替换 source_query 中的 NULL（NULL 插补）。比如：

IFNULL(col, col_mean) AS col_imputed

缺点是您必须先使用 sql 计算 col_mean 并在此处将其填充为常数。另一件事是您需要记住这个平均值并在预测中应用相同的平均值，因为它不是 tf.transform（您的图表）的一部分。

Bigquery 本身将 BQML 作为 ML 平台。他们确实支持TRANSFORM and automatic imputation。也许你也可以看看:)