Pyspark特征工程--MinHashLSH
MinHashLSH
class pyspark.ml.feature.MinHashLSH(inputCol=None, outputCol=None, seed=None, numHashTables=1)
Jaccard 距离的 LSH 类
输入可以是密集或稀疏向量,但如果是稀疏的,则效率更高。 例如 Vectors.sparse(10, [(2, 1.0), (3, 1.0), (5, 1.0)]) 表示空间中有 10 个元素。 该集合包含元素 2、3 和 5。此外,任何输入向量必须至少有 1 个非零索引,并且所有非零值都被视为二进制“1”值
model.approxNearestNeighbors(dataset, key, numNearestNeighbors, distCol=‘distCol’):
给定一个大数据集和一个项目,大约找到与该项目最近距离的 k 个项目。 如果 outputCol 缺失,该方法将转换数据; 如果 outputCol 存在,它将使用它。 这允许在必要时缓存转换后的数据。
参数 :
dataset - 用于搜索键的最近邻居的数据集。
key – 表示要搜索的项目的特征向量。
numNearestNeighbors – 最近邻居的最大数量。
distCol – 输出列,用于存储每个结果行与键之间的距离。 如果未指定,则使用“distCol”作为默认值。
返回:
一个数据集,最多包含最接近键的 k 个项目。 添加一列“distCol”以显示每行与键之间的距离。
model.approxSimilarityJoin(datasetA, datasetB, threshold, distCol=‘distCol’):
连接两个数据集以近似找到距离小于阈值的所有行对。 如果 outputCol 缺失,该方法将转换数据; 如果 outputCol 存在,它将使用它。 这允许在必要时缓存转换后的数据.
参数:
datasetA – 要加入的数据集之一。
datasetB - 要加入的另一个数据集。
threshold – 行对距离的阈值。
distCol – 用于存储每对行之间距离的输出列。 如果未指定,则使用“distCol”作为默认值。
返回:
一个包含行对的连接数据集。 原始行位于“datasetA”和“datasetB”列中,并添加了“distCol”列以显示每对之间的距离。
01.初始化
from pyspark.sql import SparkSession
spark = SparkSession.builder.config("spark.Driver.host","192.168.1.4")\.config("spark.ui.showConsoleProgress","false")\.appName("MaxAbsScaler").master("local[*]").getOrCreate()
02.创建数据
from pyspark.ml.linalg import Vectors
from pyspark.sql.functions import col
data = [(0, Vectors.sparse(6, [0, 1, 2], [1.0, 1.0, 1.0]),),(1, Vectors.sparse(6, [2, 3, 4], [1.0, 1.0, 1.0]),),(2, Vectors.sparse(6, [0, 2, 4], [1.0, 1.0, 1.0]),)]
df = spark.createDataFrame(data, ["id", "features"])
df.show()
df.head(3)
输出结果:
+---+--------------------+
| id| features|
+---+--------------------+
| 0|(6,[0,1,2],[1.0,1...|
| 1|(6,[2,3,4],[1.0,1...|
| 2|(6,[0,2,4],[1.0,1...|
+---+--------------------+[Row(id=0, features=SparseVector(6, {0: 1.0, 1: 1.0, 2: 1.0})),Row(id=1, features=SparseVector(6, {2: 1.0, 3: 1.0, 4: 1.0})),Row(id=2, features=SparseVector(6, {0: 1.0, 2: 1.0, 4: 1.0}))]
03.MinHashLSH转换
from pyspark.ml.feature import MinHashLSH
mh = MinHashLSH(inputCol="features", outputCol="hashes", seed=12345)
model = mh.fit(df)
model.transform(df).show()
model.transform(df).head(3)
输出结果:
+---+--------------------+----------------+
| id| features| hashes|
+---+--------------------+----------------+
| 0|(6,[0,1,2],[1.0,1...|[[6.17966841E8]]|
| 1|(6,[2,3,4],[1.0,1...|[[1.33824602E8]]|
| 2|(6,[0,2,4],[1.0,1...|[[9.10790854E8]]|
+---+--------------------+----------------+[Row(id=0, features=SparseVector(6, {0: 1.0, 1: 1.0, 2: 1.0}), hashes=[DenseVector([617966841.0])]),Row(id=1, features=SparseVector(6, {2: 1.0, 3: 1.0, 4: 1.0}), hashes=[DenseVector([133824602.0])]),Row(id=2, features=SparseVector(6, {0: 1.0, 2: 1.0, 4: 1.0}), hashes=[DenseVector([910790854.0])])]
04.构造另一个数据
data2 = [(3, Vectors.sparse(6, [1, 3, 5], [1.0, 1.0, 1.0]),),(4, Vectors.sparse(6, [2, 3, 5], [1.0, 1.0, 1.0]),),(5, Vectors.sparse(6, [1, 2, 4], [1.0, 1.0, 1.0]),)]
df2 = spark.createDataFrame(data2, ["id", "features"])
df2.show()
输出结果:
+---+--------------------+
| id| features|
+---+--------------------+
| 3|(6,[1,3,5],[1.0,1...|
| 4|(6,[2,3,5],[1.0,1...|
| 5|(6,[1,2,4],[1.0,1...|
+---+--------------------+
05.查看approxNearestNeighbors属性
key = Vectors.sparse(6, [1, 2], [1.0, 1.0])
model.approxNearestNeighbors(df2, key, 1).show()
输出结果:
+---+--------------------+----------------+-------------------+
| id| features| hashes| distCol|
+---+--------------------+----------------+-------------------+
| 5|(6,[1,2,4],[1.0,1...|[[6.17966841E8]]|0.33333333333333337|
+---+--------------------+----------------+-------------------+
06.查看approxSimilarityJoin结果
model.approxSimilarityJoin(df, df2, 0.6, distCol="JaccardDistance").select(col("datasetA.id").alias("idA"),col("datasetB.id").alias("idB"),col("JaccardDistance")).show()
输出结果:
+---+---+---------------+
|idA|idB|JaccardDistance|
+---+---+---------------+
| 0| 5| 0.5|
| 1| 4| 0.5|
+---+---+---------------+
Pyspark特征工程--MinHashLSH相关推荐
- 推荐算法工程笔记:PySpark特征工程入门总结
PySpark Feature Tool 1. 数据准备 我们定义了一些测试数据,方便验证函数的有效性:同时对于大多数初学者来说,明白函数的输入是什么,输出是什么,才能更好的理解特征函数和使用特征: ...
- pyspark特征工程常用方法(一)
本文记录特征工程中常用的五种方法:MinMaxScaler,Normalization,OneHotEncoding,PCA以及QuantileDiscretizer 用于分箱 原有数据集如下图: 1 ...
- Pyspark特征工程--NGram
NGram class pyspark.ml.feature.NGram(n=2, inputCol=None, outputCol=None) 将输入的字符串数组转换为 n-gram 数组的特征转换 ...
- 【推荐系统】特征工程技巧(kaggle比赛技巧、tx的做法)
内容总结 前面6点均是常见的特征工程基础知识,第7点时kaggle比赛中常用特征交叉.特征筛选等技巧,第8点从特征提取(数值型.类别型.embedding特征).特征选择(过滤式.封装式.嵌入式).特 ...
- pyspark做movielens推荐模型特征工程
重磅推荐专栏: <Transformers自然语言处理系列教程> 手把手带你深入实践Transformers,轻松构建属于自己的NLP智能应用! 前面文章讲了如何使用pyspark做特征工 ...
- Pyspark让pandas特征工程代码在集群上飞起来——天猫复购率baseline
Pyspark让pandas特征工程代码在集群上飞起来--天猫复购率baseline 环境与数据准备 导包 创建spark应用 第一种特征工程方式:pyspark.pandas.dataframe 第 ...
- 基于Spark的大规模推荐系统特征工程
分享嘉宾:陈迪豪 第四范式 架构师 编辑整理:刘璐 出品平台:第四范式天枢.DataFunTalk 导读:特征工程在推荐系统中有着举足轻重的作用,大规模特征工程处理的效率极大的影响了推荐系统线上的性能 ...
- 【华为云技术分享】如何用交互式特征工程工具进行数据分析处理
[摘要] 根据业界知名分析机构的调查发现,在机器学习日常开发工作中,数据预处理和特征工程(涉及数据的分析和处理)约占工作量的60%以上,对于机器学习来说至关重要. 数据分析和处理的问题与挑战 近年来, ...
- 现代数据团队的特征工程(Continual)
特征工程是任何 ML 工作流程的关键部分. 在 Continual 中,我们认为它实际上是 ML 流程中最具影响力的部分,并且应该对其应用最多的人工干预. 然而,在 ML 文献中,该术语经常在几个不同 ...
最新文章
- HTML5中各种标签总结(列表标签、表格标签)
- CalendarExtender控件的中文显示问题
- asp-Webshell免杀
- linux 内核3.8,[Beaglebone] BBB迁移到linux 3.8实时内核
- 目录树 删除 数据结构_数据结构:B树和B+树的插入、删除图文详解
- 第11篇:Flowable-BPMN部署常见问题没有对ACT_RE_PROCDEF表进行插入操作
- Linux下几种文件传输命令 sz rz sftp scp
- 算法我也不知道有没有下一个---一个题目的开端(索引堆与图)
- MapReduce-多个Mapper
- 实现树状结构_钢结构设计 | “生命之树”景观案例赏析
- 你的特斯拉Model 3,只需要一台手机就能偷走它
- 为串联机械臂写一个ROS控制器
- 运维演进正确之道-ITIL+DevOps双态运维
- LINUX下截图快捷方式
- php模拟登录强智教务,湖南强智科技教务系统python模拟登录并爬取成绩(财院)...
- 《伯克毕生发展心理学2》
- 通讯:白先勇的“八千里路云和月”
- Python:实现max non adjacent sum最大非相邻和算法(附完整源码)
- Ant Design ProV5 Table columns定义valueType
- vue transition淡入淡出