保留索引字符串对应的火花字符串索引器

Question

Spark 的 StringIndexer 非常有用，但通常需要检索生成的索引值和原始字符串之间的对应关系，并且似乎应该有一种内置的方法来完成此操作。我将使用Spark documentation 中的这个简单示例进行说明：

from pyspark.ml.feature import StringIndexer

df = sqlContext.createDataFrame(
    [(0, "a"), (1, "b"), (2, "c"), (3, "a"), (4, "a"), (5, "c")],
    ["id", "category"])
indexer = StringIndexer(inputCol="category", outputCol="categoryIndex")
indexed_df = indexer.fit(df).transform(df)

这个简化的案例告诉我们：

+---+--------+-------------+
| id|category|categoryIndex|
+---+--------+-------------+
|  0|       a|          0.0|
|  1|       b|          2.0|
|  2|       c|          1.0|
|  3|       a|          0.0|
|  4|       a|          0.0|
|  5|       c|          1.0|
+---+--------+-------------+

一切都很好，但对于许多用例，我想知道我的原始字符串和索引标签之间的映射。我能想到的最简单的方法是这样的：

   In [8]: indexed.select('category','categoryIndex').distinct().show()
+--------+-------------+
|category|categoryIndex|
+--------+-------------+
|       b|          2.0|
|       c|          1.0|
|       a|          0.0|
+--------+-------------+

如果需要，我可以将其结果存储为字典或类似内容：

In [12]: mapping = {row.categoryIndex:row.category for row in
           indexed.select('category','categoryIndex').distinct().collect()}

In [13]: mapping
Out[13]: {0.0: u'a', 1.0: u'c', 2.0: u'b'}

我的问题是：由于这是一项常见的任务，而且我猜测（但当然可能是错误的）字符串索引器无论如何都会以某种方式存储此映射，有没有办法更多地完成上述任务简单地？

我的解决方案或多或少是直截了当的，但对于大型数据结构，这涉及到（也许）我可以避免的大量额外计算。想法？

Answer 1

标签映射可以从列元数据中提取：

meta = [
    f.metadata for f in indexed_df.schema.fields if f.name == "categoryIndex"
]
meta[0]
## {'ml_attr': {'name': 'category', 'type': 'nominal', 'vals': ['a', 'c', 'b']}}

其中ml_attr.vals 提供位置和标签之间的映射：

dict(enumerate(meta[0]["ml_attr"]["vals"]))
## {0: 'a', 1: 'c', 2: 'b'}

Spark 1.6+

您可以使用IndexToString 将数值转换为标签。这将使用如上所示的列元数据。

from pyspark.ml.feature import IndexToString

idx_to_string = IndexToString(
    inputCol="categoryIndex", outputCol="categoryValue")

idx_to_string.transform(indexed_df).drop("id").distinct().show()
## +--------+-------------+-------------+
## |category|categoryIndex|categoryValue|
## +--------+-------------+-------------+
## |       b|          2.0|            b|
## |       a|          0.0|            a|
## |       c|          1.0|            c|
## +--------+-------------+-------------+

火花

这是一种肮脏的技巧，但您可以简单地从 Java 索引器中提取标签，如下所示：

from pyspark.ml.feature import StringIndexerModel

# A simple monkey patch so we don't have to _call_java later 
def labels(self):
    return self._call_java("labels")

StringIndexerModel.labels = labels

# Fit indexer model
indexer = StringIndexer(inputCol="category", outputCol="categoryIndex").fit(df)

# Extract mapping
mapping = dict(enumerate(indexer.labels()))
mapping
## {0: 'a', 1: 'c', 2: 'b'}