apache-spark - 使用 Spark CountVectorizer 时如何“标准化”向量值？

Question

CountVectorizer并且CountVectorizerModel经常创建一个看起来像这样的稀疏特征向量：

(10,[0,1,4,6,8],[2.0,1.0,1.0,1.0,1.0])

这基本上说词汇表的总大小为 10，当前文档有 5 个唯一元素，在特征向量中，这 5 个唯一元素的位置分别为 0、1、4、6 和 8。此外，其中一个元素显示两次，因此是 2.0 值。

现在，我想“规范化”上述特征向量，让它看起来像这样，

(10,[0,1,4,6,8],[0.3333,0.1667,0.1667,0.1667,0.1667])

即，每个值除以 6，即所有元素加在一起的总数。例如，0.3333 = 2.0/6。

那么有没有办法在这里有效地做到这一点？

谢谢！

Answer 1

您可以使用Normalizer

class pyspark.ml.feature.Normalizer(*args, **kwargs)

使用给定的 p 范数将向量归一化以具有单位范数。

1-范数

from pyspark.ml.linalg import SparseVector
from pyspark.ml.feature import Normalizer

df = spark.createDataFrame([
    (SparseVector(10,[0,1,4,6,8],[2.0,1.0,1.0,1.0,1.0]), )
], ["features"])

Normalizer(inputCol="features", outputCol="features_norm", p=1).transform(df).show(1, False)
# +--------------------------------------+---------------------------------------------------------------------------------------------------------------------+
# |features                              |features_norm                                                                                                        |
# +--------------------------------------+---------------------------------------------------------------------------------------------------------------------+
# |(10,[0,1,4,6,8],[2.0,1.0,1.0,1.0,1.0])|(10,[0,1,4,6,8],[0.3333333333333333,0.16666666666666666,0.16666666666666666,0.16666666666666666,0.16666666666666666])|
# +--------------------------------------+---------------------------------------------------------------------------------------------------------------------+