CountVectorizer¶
-
类
pyspark.ml.feature。
CountVectorizer
( *,minTF:浮动=1.0,minDF:浮动=1.0,maxDF:浮动=9223372036854775807,vocabSize:int=262144年,二进制:bool=假,inputCol:可选(str]=没有一个,outputCol:可选(str]=没有一个 ) ¶ -
从文档集合中提取一个词汇表,生成一个
CountVectorizerModel
。例子
> > >df=火花。createDataFrame(…((0,(“一个”,“b”,“c”]),(1,(“一个”,“b”,“b”,“c”,“一个”])),…(“标签”,“原始”])> > >简历=CountVectorizer()> > >简历。setInputCol(“原始”)CountVectorizer……> > >简历。setOutputCol(“向量”)CountVectorizer……> > >模型=简历。适合(df)> > >模型。setInputCol(“原始”)CountVectorizerModel……> > >模型。变换(df)。显示(截断=假)+ - - - + - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - +| |生| |标签向量+ - - - + - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - +(a, b, c) | 0 | | (3 (0, 1, 2) [1.0, 1.0, 1.0]) || 1 | [a, b, b, c, a) | (3 (0, 1, 2) [2.0, 2.0, 1.0]) |+ - - - + - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - +…> > >排序(模型。词汇表)= =(“一个”,“b”,“c”]真正的> > >countVectorizerPath=temp_path+“/ count-vectorizer”> > >简历。保存(countVectorizerPath)> > >loadedCv=CountVectorizer。负载(countVectorizerPath)> > >loadedCv。getMinDF()= =简历。getMinDF()真正的> > >loadedCv。getMinTF()= =简历。getMinTF()真正的> > >loadedCv。getVocabSize()= =简历。getVocabSize()真正的> > >modelPath=temp_path+“/ count-vectorizer-model”> > >模型。保存(modelPath)> > >loadedModel=CountVectorizerModel。负载(modelPath)> > >loadedModel。词汇表= =模型。词汇表真正的> > >loadedModel。变换(df)。取(1)= =模型。变换(df)。取(1)真正的> > >fromVocabModel=CountVectorizerModel。from_vocabulary([“一个”,“b”,“c”),…inputCol=“原始”,outputCol=“向量”)> > >fromVocabModel。变换(df)。显示(截断=假)+ - - - + - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - +| |生| |标签向量+ - - - + - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - +(a, b, c) | 0 | | (3 (0, 1, 2) [1.0, 1.0, 1.0]) || 1 | [a, b, b, c, a) | (3 (0, 1, 2) [2.0, 2.0, 1.0]) |+ - - - + - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - +…
方法
清晰的
(参数)清除参数映射的参数是否被显式地设置。
复制
((额外的))创建这个实例的副本具有相同uid和一些额外的参数。
explainParam
(参数)解释一个参数并返回它的名字,医生,和可选的默认值,用户提供的字符串值。
返回文档的所有参数选择默认值和用户提供的值。
extractParamMap
((额外的))提取嵌入默认参数值和用户提供的值,然后合并他们额外的值从输入平面参数映射,后者使用价值如果存在冲突,即。排序:默认参数值< <额外的用户提供的值。
适合
(数据集[params))适合一个模型与可选参数的输入数据集。
fitMultiple
(paramMaps数据集)适合一个模型为每个参数映射的输入数据集paramMaps。
二进制的值或其默认值。
得到的价值inputCol或其默认值。
getMaxDF
()得到的价值maxDF或其默认值。
getMinDF
()得到的价值minDF或其默认值。
getMinTF
()得到的价值minTF或其默认值。
getOrDefault
(参数)得到参数的值在用户提供的参数映射或其默认值。
得到的价值outputCol或其默认值。
getParam
(paramName)通过它的名称参数。
得到的价值vocabSize或其默认值。
hasDefault
(参数)检查是否一个参数有默认值。
hasParam
(paramName)测试这个实例包含一个参数是否与给定名称(字符串)。
isDefined
(参数)检查参数是否由用户或显式地设置一个默认值。
收取
(参数)检查参数是否由用户显式地设置。
负载
(路径)从输入路径,读取一个毫升实例的快捷方式read () .load(路径)。
读
()返回一个MLReader这个类的实例。
保存
(路径)这个毫升实例保存到给定的路径,一个快捷方式的“写().save(路径)。
集
(参数值)设置一个参数嵌入参数映射。
setBinary
(值)设置的值
二进制
。setInputCol
(值)设置的值
inputCol
。setMaxDF
(值)设置的值
maxDF
。setMinDF
(值)设置的值
minDF
。setMinTF
(值)设置的值
minTF
。setOutputCol
(值)设置的值
outputCol
。setparam
(自我,\ [,minDF minTF maxDF,…))CountVectorizer设置参数
setVocabSize
(值)设置的值
vocabSize
。写
()返回一个MLWriter实例毫升实例。
属性
返回所有参数命令的名字。
方法的文档
-
清晰的
( 参数:pyspark.ml.param.Param )→没有¶ -
清除参数映射的参数是否被显式地设置。
-
复制
( 额外的:可选(ParamMap]=没有一个 )→摩根大通¶ -
创建这个实例的副本具有相同uid和一些额外的参数。这个实现第一次调用参数。复制and then make a copy of the companion Java pipeline component with extra params. So both the Python wrapper and the Java pipeline component get copied.
- 参数
-
- 额外的 东西,可选
-
额外参数复制到新实例
- 返回
-
-
JavaParams
-
这个实例的副本
-
-
explainParam
( 参数:联盟(str,pyspark.ml.param.Param] )→str¶ -
解释一个参数并返回它的名字,医生,和可选的默认值,用户提供的字符串值。
-
explainParams
( )→str¶ -
返回文档的所有参数选择默认值和用户提供的值。
-
extractParamMap
( 额外的:可选(ParamMap]=没有一个 )→ParamMap¶ -
提取嵌入默认参数值和用户提供的值,然后合并他们额外的值从输入平面参数映射,后者使用价值如果存在冲突,即。排序:默认参数值< <额外的用户提供的值。
- 参数
-
- 额外的 东西,可选
-
额外的参数值
- 返回
-
- dict
-
合并后的参数映射
-
适合
( 数据集:pyspark.sql.dataframe.DataFrame,参数个数:联盟[ParamMap、列表(ParamMap)元组(ParamMap),没有一个)=没有一个 )→联盟(米,列表(米] ] ¶ -
适合一个模型与可选参数的输入数据集。
- 参数
-
-
数据集
pyspark.sql.DataFrame
-
输入数据集。
- 参数个数 dict或列表或元组,可选的
-
一个可选的参数覆盖嵌入参数的地图。如果列表/元组的参数映射,这适用于每一个参数并返回一个列表的模型映射。
-
数据集
- 返回
-
-
变压器
或者一个列表变压器
-
拟合模型(年代)
-
-
fitMultiple
( 数据集:pyspark.sql.dataframe.DataFrame,paramMaps:序列(ParamMap] )→迭代器(元组(int,米] ] ¶ -
适合一个模型为每个参数映射的输入数据集paramMaps。
- 参数
-
-
数据集
pyspark.sql.DataFrame
-
输入数据集。
-
paramMaps
collections.abc.Sequence
-
一系列的参数映射。
-
数据集
- 返回
-
-
_FitMultipleIterator
-
一个线程安全的iterable包含为每个参数映射模型。每次调用下一个(modelIterator)将返回(指数模型)模型是适合使用在哪里paramMaps(指数)。指数值可能不是连续的。
-
-
getBinary
( )→bool¶ -
二进制的值或其默认值。
-
getInputCol
( )→str¶ -
得到的价值inputCol或其默认值。
-
getMaxDF
( )→浮动¶ -
得到的价值maxDF或其默认值。
-
getMinDF
( )→浮动¶ -
得到的价值minDF或其默认值。
-
getMinTF
( )→浮动¶ -
得到的价值minTF或其默认值。
-
getOrDefault
( 参数:联盟(str,pyspark.ml.param.Param(T]] )→联盟(任何,T] ¶ -
得到参数的值在用户提供的参数映射或其默认值。如果没有设置提出了一个错误。
-
getOutputCol
( )→str¶ -
得到的价值outputCol或其默认值。
-
getParam
( paramName:str )→pyspark.ml.param.Param ¶ -
通过它的名称参数。
-
getVocabSize
( )→int¶ -
得到的价值vocabSize或其默认值。
-
hasDefault
( 参数:联盟(str,pyspark.ml.param.Param(任何]] )→bool¶ -
检查是否一个参数有默认值。
-
hasParam
( paramName:str )→bool¶ -
测试这个实例包含一个参数是否与给定名称(字符串)。
-
isDefined
( 参数:联盟(str,pyspark.ml.param.Param(任何]] )→bool¶ -
检查参数是否由用户或显式地设置一个默认值。
-
收取
( 参数:联盟(str,pyspark.ml.param.Param(任何]] )→bool¶ -
检查参数是否由用户显式地设置。
-
classmethod
负载
( 路径:str )→RL¶ -
从输入路径,读取一个毫升实例的快捷方式read () .load(路径)。
-
classmethod
读
( )→pyspark.ml.util.JavaMLReader(RL] ¶ -
返回一个MLReader这个类的实例。
-
保存
( 路径:str )→没有¶ -
这个毫升实例保存到给定的路径,一个快捷方式的“写().save(路径)。
-
集
( 参数:pyspark.ml.param.Param,价值:任何 )→没有¶ -
设置一个参数嵌入参数映射。
-
setBinary
( 价值:bool )→pyspark.ml.feature.CountVectorizer ¶ -
设置的值
二进制
。
-
setInputCol
( 价值:str )→pyspark.ml.feature.CountVectorizer ¶ -
设置的值
inputCol
。
-
setMaxDF
( 价值:浮动 )→pyspark.ml.feature.CountVectorizer ¶ -
设置的值
maxDF
。
-
setMinDF
( 价值:浮动 )→pyspark.ml.feature.CountVectorizer ¶ -
设置的值
minDF
。
-
setMinTF
( 价值:浮动 )→pyspark.ml.feature.CountVectorizer ¶ -
设置的值
minTF
。
-
setOutputCol
( 价值:str )→pyspark.ml.feature.CountVectorizer ¶ -
设置的值
outputCol
。
-
setparam
( 自我,\ *,minTF = 1.0,minDF = 1.0,maxDF = 2 * * 63 - 1,vocabSize = 1 < < 18岁,二进制= False,inputCol =没有,outputCol =没有 ) ¶ -
CountVectorizer设置参数
-
setVocabSize
( 价值:int )→pyspark.ml.feature.CountVectorizer ¶ -
设置的值
vocabSize
。
-
写
( )→pyspark.ml.util.JavaMLWriter¶ -
返回一个MLWriter实例毫升实例。
属性的文档
-
二进制
=参数(父母=‘定义’,name =“二进制”,医生= '二进制开关控制输出矢量值。如果这是真的,所有非零项(minTF滤波器应用之后)被设置为1。这是用于离散概率模型,模型的二进制事件而不是整数。默认的错误') ¶
-
inputCol
=参数(父母=‘定义’,name = ' inputCol ', doc =输入列名称。) ¶
-
maxDF
=参数(父母=‘定义’,name = ' maxDF ', doc = '指定的最大数量不同的文档可以出现在被包括在术语词汇。一个术语出现超过阈值将被忽略。如果这是一个整数> = 1,这指定的最大文件数这个词会出现在;如果这是一个双在[0,1),那么这个指定的最大一部分文档可能出现在这个词。默认(2 ^ 63)- 1 ') ¶
-
minDF
=参数(父母=‘定义’,name = ' minDF ', doc = '指定了最小数量的不同文档术语必须出现在被包括在词汇表中。如果这是一个整数> = 1,这指定文档的数量必须出现在这个词;如果这是一个双在[0,1),那么这个指定文档的一部分。默认1.0”) ¶
-
minTF
=参数(父母=‘定义’,name = ' minTF ', doc = "过滤器忽略罕见的单词在一个文档。为每个文档,与频率/计数小于给定的阈值将被忽略。如果这是一个整数> = 1,那么这将指定一个计数(次术语必须出现在文档);如果这是一个双在[0,1),那么这个指定一小部分(文档的令牌数)。注意参数仅用于变换CountVectorizerModel和不影响装配。默认1.0”) ¶
-
outputCol
=参数(父母=‘定义’,name = ' outputCol ', doc =输出列名称。) ¶
-
参数个数
¶ -
返回所有参数命令的名字。默认实现使用
dir ()
所有的属性类型参数
。
-
vocabSize
=参数(父母=‘定义’,name = ' vocabSize ', doc = '马克斯词汇量的大小。默认1 < < 18岁。”) ¶
-