在 spark mllib 分类器中处理 null/NaN 值

Question

我有一组分类列（字符串），我正在对其进行解析并转换为特征向量以传递给 mllib 分类器（随机森林）。

在我的输入数据中，某些列具有空值。比如说，在其中一列中，我有 p 值 + 一个空值： 我应该如何构建我的特征向量和分类器的 categoricalFeaturesInfo 映射？

• 选项 1：我在 categoricalFeaturesInfo 中告诉 p 值，并在输入向量中使用 Double.NaN？
  • 附带问题：分类器如何处理 NaN？
• 选项 2：我将空值视为一个值，因此我在 categoricalFeaturesInfo 中告诉 (p+1) 个值，并将空值映射到某个双精度值？

感谢您的帮助。

（PS：我知道新的dataframe + pipeline + vectorindexer API，但由于某些原因它不能很好地满足我的需要，所以我需要自己做）

Answer 1

看起来选项 2 就是其中之一。如果您的 null 实际上是您的分类特征的另一个级别，只需将其映射到某个值。 请注意，分类特征级别应映射到 0,1,2 .... 等，然后才能正确使用它们，请参见此处：

response in stackoverflow

所以空值将被映射到这些数字之一。