字符串索引器，CountVectorizer Pyspark 单行

Question

您好，我遇到了一个问题，即我的行中有两列单词数组。

column1, column2
["a", "b" ,"b", "c"], ["a","b", "x", "y"]

基本上我想计算列之间每个单词的出现次数，最终得到两个数组：

[1, 2, 1, 0, 0], 
[1, 1, 0, 1, 1]

所以“a”在每个数组中出现一次，“b”在column1出现两次，column2出现一次，“c”只出现在column1，“x”和“y”只出现在column2。以此类推。

我尝试查看 ml 库中的 CountVectorizer 函数，但不确定它是否按行工作，每列中的数组可能非常大？并且 0 值（其中一个单词出现在一个列中，但没有出现在另一个列中）似乎没有得到执行。

任何帮助表示赞赏。

Answer 1

对于 Spark 2.4+，您可以使用 DataFrame API 和内置数组函数来做到这一点。

首先，使用array_union 函数获取每一行的所有单词。然后，使用transform 函数转换单词数组，其中每个元素使用size 和array_remove 函数计算每列中出现的次数：

df = spark.createDataFrame([(["a", "b", "b", "c"], ["a", "b", "x", "y"])], ["column1", "column2"])

df.withColumn("words", array_union("column1", "column2")) \
  .withColumn("occ_column1",
              expr("transform(words, x -> size(column1) - size(array_remove(column1, x)))")) \
  .withColumn("occ_column2",
              expr("transform(words, x -> size(column2) - size(array_remove(column2, x)))")) \
  .drop("words") \
  .show(truncate=False)

输出：

+------------+------------+---------------+---------------+
|column1     |column2     |occ_column1    |occ_column2    |
+------------+------------+---------------+---------------+
|[a, b, b, c]|[a, b, x, y]|[1, 2, 1, 0, 0]|[1, 1, 0, 1, 1]|
+------------+------------+---------------+---------------+