线性回归中的日期使用以及使用 spark mllib 将日期转换为数字

Question

我想在线性回归中使用日期。 所以我必须将其转换为数字。我必须设置最低日期 0 并根据日期差异不断增加一个数字。

然后我可以使用 Scala、Spark MLlib 在线性回归中使用日期字段。 我已经准备好包含日期在内的一些字段的数据框。 例如，

| date       | id |
| 01-01-2017 | 12 |
| 01-02-2016 | 13 |
| 05-05-2016 | 22 |

对于一个字符串，我使用一种热编码技术来实现。但是对于日期，我如何将第一个日期设置为 0，然后根据差异增加数字？ 谢谢。

Answer 1

这完全取决于您要创建的模型。对于非常基本的趋势建模，您可以将数据转换为 Unix 时间戳：

import org.apache.spark.sql.functions._

val parsed = df.withColumn("date", unix_timestamp($"date", "dd-MM-yyyy"))

不需要额外的处理，但您当然可以将其移到从 0 开始，或者重新调整到更方便的比例。

更高级的建模将包括提取不同的组件，例如 month 或 dayofweek。这些通常应被视为分类变量，并且是 one-hot-encoded。