spark dataframe有三列col1,col2,col3,对col1和col2进行tfidf处理,然后分别进行minmax归一化处理,给出scala代码

时间: 2024-01-27 13:03:28 浏览: 24
下面是对col1和col2进行tfidf处理并分别进行minmax归一化处理的scala代码: ``` import org.apache.spark.ml.feature.{HashingTF, IDF, MaxAbsScaler} import org.apache.spark.ml.linalg.DenseVector import org.apache.spark.sql.functions.{col, udf} import org.apache.spark.sql.types.DoubleType // 假设输入的dataframe名字为df,同时假设col1和col2是字符串类型 val hashingTF = new HashingTF().setInputCol("text").setOutputCol("rawFeatures").setNumFeatures(10000) val tf = hashingTF.transform(df) val idf = new IDF().setInputCol("rawFeatures").setOutputCol("features") val idfModel = idf.fit(tf) val tfidf = idfModel.transform(tf).withColumnRenamed("features", "features_unscaled") val udf_v_to_dv = udf((v: org.apache.spark.ml.linalg.Vector) => new DenseVector(v.toArray), org.apache.spark.sql.types.DataTypes.createArrayType(DoubleType)) val udf_dv_to_v = udf((dv: DenseVector) => org.apache.spark.ml.linalg.Vectors.dense(dv.toArray), org.apache.spark.sql.types.DataTypes.createArrayType(org.apache.spark.sql.types.DataTypes.DoubleType)) val minmaxScaler1 = new MaxAbsScaler().setInputCol("features_unscaled").setOutputCol("features_scaled_col1") val tfidfScaled1 = minmaxScaler1.fit(tfidf).transform(tfidf).withColumn("features_scaled_col1", udf_v_to_dv(col("features_scaled_col1"))) val minmaxScaler2 = new MaxAbsScaler().setInputCol("features_unscaled").setOutputCol("features_scaled_col2") val tfidfScaled2 = minmaxScaler2.fit(tfidf).transform(tfidf).withColumn("features_scaled_col2", udf_v_to_dv(col("features_scaled_col2"))) tfidfScaled2.select("features_scaled_col1", "features_scaled_col2").withColumn("features_scaled_col1", udf_dv_to_v(col("features_scaled_col1"))).withColumn("features_scaled_col2", udf_dv_to_v(col("features_scaled_col2"))) ```

相关推荐

最新推荐

recommend-type

pandas和spark dataframe互相转换实例详解

主要介绍了pandas和spark dataframe互相转换实例详解,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友可以参考下
recommend-type

使用DataFrame删除行和列的实例讲解

下面小编就为大家分享一篇使用DataFrame删除行和列的实例讲解,具有很好的参考价值,希望对大家有所帮助。一起跟随小编过来看看吧
recommend-type

使用Python向DataFrame中指定位置添加一列或多列的方法

今天小编就为大家分享一篇使用Python向DataFrame中指定位置添加一列或多列的方法,具有很好的参考价值,希望对大家有所帮助。一起跟随小编过来看看吧
recommend-type

spark rdd转dataframe 写入mysql的实例讲解

今天小编就为大家分享一篇spark rdd转dataframe 写入mysql的实例讲解,具有很好的参考价值,希望对大家有所帮助。一起跟随小编过来看看吧
recommend-type

zigbee-cluster-library-specification

最新的zigbee-cluster-library-specification说明文档。
recommend-type

管理建模和仿真的文件

管理Boualem Benatallah引用此版本:布阿利姆·贝纳塔拉。管理建模和仿真。约瑟夫-傅立叶大学-格勒诺布尔第一大学,1996年。法语。NNT:电话:00345357HAL ID:电话:00345357https://theses.hal.science/tel-003453572008年12月9日提交HAL是一个多学科的开放存取档案馆,用于存放和传播科学研究论文,无论它们是否被公开。论文可以来自法国或国外的教学和研究机构,也可以来自公共或私人研究中心。L’archive ouverte pluridisciplinaire
recommend-type

实现实时数据湖架构:Kafka与Hive集成

![实现实时数据湖架构:Kafka与Hive集成](https://img-blog.csdnimg.cn/img_convert/10eb2e6972b3b6086286fc64c0b3ee41.jpeg) # 1. 实时数据湖架构概述** 实时数据湖是一种现代数据管理架构,它允许企业以低延迟的方式收集、存储和处理大量数据。与传统数据仓库不同,实时数据湖不依赖于预先定义的模式,而是采用灵活的架构,可以处理各种数据类型和格式。这种架构为企业提供了以下优势: - **实时洞察:**实时数据湖允许企业访问最新的数据,从而做出更明智的决策。 - **数据民主化:**实时数据湖使各种利益相关者都可
recommend-type

可见光定位LED及其供电硬件具体型号,广角镜头和探测器,实验设计具体流程步骤,

1. 可见光定位LED型号:一般可使用5mm或3mm的普通白色LED,也可以选择专门用于定位的LED,例如OSRAM公司的SFH 4715AS或Vishay公司的VLMU3500-385-120。 2. 供电硬件型号:可以使用常见的直流电源供电,也可以选择专门的LED驱动器,例如Meanwell公司的ELG-75-C或ELG-150-C系列。 3. 广角镜头和探测器型号:一般可采用广角透镜和CMOS摄像头或光电二极管探测器,例如Omron公司的B5W-LA或Murata公司的IRS-B210ST01。 4. 实验设计流程步骤: 1)确定实验目的和研究对象,例如车辆或机器人的定位和导航。
recommend-type

JSBSim Reference Manual

JSBSim参考手册,其中包含JSBSim简介,JSBSim配置文件xml的编写语法,编程手册以及一些应用实例等。其中有部分内容还没有写完,估计有生之年很难看到完整版了,但是内容还是很有参考价值的。
recommend-type

"互动学习:行动中的多样性与论文攻读经历"

多样性她- 事实上SCI NCES你的时间表ECOLEDO C Tora SC和NCESPOUR l’Ingén学习互动,互动学习以行动为中心的强化学习学会互动,互动学习,以行动为中心的强化学习计算机科学博士论文于2021年9月28日在Villeneuve d'Asq公开支持马修·瑟林评审团主席法布里斯·勒菲弗尔阿维尼翁大学教授论文指导奥利维尔·皮耶昆谷歌研究教授:智囊团论文联合主任菲利普·普雷教授,大学。里尔/CRISTAL/因里亚报告员奥利维耶·西格德索邦大学报告员卢多维奇·德诺耶教授,Facebook /索邦大学审查员越南圣迈IMT Atlantic高级讲师邀请弗洛里安·斯特鲁布博士,Deepmind对于那些及时看到自己错误的人...3谢谢你首先,我要感谢我的两位博士生导师Olivier和Philippe。奥利维尔,"站在巨人的肩膀上"这句话对你来说完全有意义了。从科学上讲,你知道在这篇论文的(许多)错误中,你是我可以依