java的spark2 省市县字符串特征转化为数值特征代码

时间: 2023-12-24 11:05:49 浏览: 28
假设你有一个DataFrame,其中包含名为"province"、"city"和"county"的三个字符串列,它们分别代表省、市和县。你想将这些字符串特征转换为数值特征,可以使用Spark的StringIndexer和OneHotEncoder来完成。 以下是示例代码: ```java import org.apache.spark.ml.feature.StringIndexer; import org.apache.spark.ml.feature.OneHotEncoder; import org.apache.spark.ml.feature.VectorAssembler; import org.apache.spark.ml.Pipeline; import org.apache.spark.sql.Dataset; import org.apache.spark.sql.Row; import org.apache.spark.sql.SparkSession; SparkSession spark = SparkSession.builder() .appName("StringIndexerExample") .master("local[*]") .getOrCreate(); // 创建一个包含省、市、县的DataFrame Dataset<Row> df = spark.createDataFrame(Arrays.asList( RowFactory.create("广东", "广州", "天河"), RowFactory.create("广东", "深圳", "南山"), RowFactory.create("广西", "南宁", "青秀"), RowFactory.create("四川", "成都", "锦江") ), new StructType(new StructField[]{ new StructField("province", DataTypes.StringType, false, Metadata.empty()), new StructField("city", DataTypes.StringType, false, Metadata.empty()), new StructField("county", DataTypes.StringType, false, Metadata.empty()) })); // StringIndexer将字符串列转换为数值列 StringIndexer provinceIndexer = new StringIndexer() .setInputCol("province") .setOutputCol("provinceIndex"); StringIndexer cityIndexer = new StringIndexer() .setInputCol("city") .setOutputCol("cityIndex"); StringIndexer countyIndexer = new StringIndexer() .setInputCol("county") .setOutputCol("countyIndex"); // OneHotEncoder将数值列转换为二进制向量 OneHotEncoder provinceEncoder = new OneHotEncoder() .setInputCol("provinceIndex") .setOutputCol("provinceVec"); OneHotEncoder cityEncoder = new OneHotEncoder() .setInputCol("cityIndex") .setOutputCol("cityVec"); OneHotEncoder countyEncoder = new OneHotEncoder() .setInputCol("countyIndex") .setOutputCol("countyVec"); // 将所有特征列组合成一个特征向量列 VectorAssembler assembler = new VectorAssembler() .setInputCols(new String[]{"provinceVec", "cityVec", "countyVec"}) .setOutputCol("features"); // 构建Pipeline Pipeline pipeline = new Pipeline() .setStages(new PipelineStage[]{ provinceIndexer, cityIndexer, countyIndexer, provinceEncoder, cityEncoder, countyEncoder, assembler }); // 运行Pipeline,得到转换后的DataFrame Dataset<Row> transformed = pipeline.fit(df).transform(df); transformed.show(); ``` 输出结果类似如下: ``` +--------+----+-------+-------------+-------------+------------+-----------------+ |province|city| county|provinceIndex| cityIndex|countyIndex| features| +--------+----+-------+-------------+-------------+------------+-----------------+ | 广东|广州| 天河| 0.0| 0.0| 0.0|(10,[0,3,6],[1.0...| | 广东|深圳| 南山| 0.0| 1.0| 1.0|(10,[0,4,7],[1.0...| | 广西|南宁| 青秀| 1.0| 2.0| 2.0|(10,[1,5,8],[1.0...| | 四川|成都| 锦江| 2.0| 3.0| 3.0|(10,[2,6,9],[1.0...| +--------+----+-------+-------------+-------------+------------+-----------------+ ``` 可以看到,每个字符串特征列都被转换为了数值特征列,并通过OneHotEncoder转换为了二进制向量特征列。最后,使用VectorAssembler将所有特征列组合成了一个特征向量列。

最新推荐

recommend-type

详解Java编写并运行spark应用程序的方法

主要介绍了详解Java编写并运行spark应用程序的方法,内容详细,结合了作者实际工作中的问题进行具体分析,具有一定参考价值。
recommend-type

Spark SQL操作JSON字段的小技巧

主要给大家介绍了关于Spark SQL操作JSON字段的小技巧,文中通过示例代码介绍的非常详细,对大家学习或者使用spark sql具有一定的参考学习价值,需要的朋友们下面随着小编来一起学习学习吧。
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

实验七:Spark初级编程实践

1、实验环境: 设备名称 LAPTOP-9KJS8HO6 处理器 Intel(R) Core(TM) i5-10300H CPU @ 2.50GHz 2.50 GHz 机带 RAM 16.0 GB (15.8 GB 可用) ...(2) 在spark-shell中读取HDFS系统文件“/user/hadoop/test.txt”
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

MATLAB柱状图在信号处理中的应用:可视化信号特征和频谱分析

![matlab画柱状图](https://img-blog.csdnimg.cn/3f32348f1c9c4481a6f5931993732f97.png) # 1. MATLAB柱状图概述** MATLAB柱状图是一种图形化工具,用于可视化数据中不同类别或组的分布情况。它通过绘制垂直条形来表示每个类别或组中的数据值。柱状图在信号处理中广泛用于可视化信号特征和进行频谱分析。 柱状图的优点在于其简单易懂,能够直观地展示数据分布。在信号处理中,柱状图可以帮助工程师识别信号中的模式、趋势和异常情况,从而为信号分析和处理提供有价值的见解。 # 2. 柱状图在信号处理中的应用 柱状图在信号处理
recommend-type

帮我设计一个基于Android平台的便签APP的代码

很抱歉,我是一个语言模型AI,无法提供完整的Android APP代码。但是,我可以给您一些设计便签APP的建议和思路。 1. 界面设计 首先考虑APP的界面设计,便签APP通常需要一个主界面用于显示所有的便签,以及一个编辑界面用于编辑单个便签。主界面可以采用列表的形式,列出所有的便签,每个便签可以显示标题和摘要内容。在编辑界面中,用户可以输入标题和正文内容,并且可以设置提醒时间、标签、优先级等。 2. 数据存储 便签APP需要一个数据存储的方案,可以考虑使用SQLite数据库来存储便签数据。每个便签可以存储标题、正文内容、提醒时间、标签、优先级等信息。 3. 便签操作 便签APP
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