CountVectorizer

類 pyspark.ml.feature。 CountVectorizer ( *,minTF:浮動=1.0,minDF:浮動=1.0,maxDF:浮動=9223372036854775807,vocabSize:int=262144年,二進製:bool=假,inputCol:可選(str]=沒有一個,outputCol:可選(str]=沒有一個 )

從文檔集合中提取一個詞彙表,生成一個CountVectorizerModel。

例子

> > >df=火花。createDataFrame(…((0,(“一個”,“b”,“c”]),(1,(“一個”,“b”,“b”,“c”,“一個”])),…(“標簽”,“原始”])> > >簡曆=CountVectorizer()> > >簡曆。setInputCol(“原始”)CountVectorizer……> > >簡曆。setOutputCol(“向量”)CountVectorizer……> > >模型=簡曆。適合(df)> > >模型。setInputCol(“原始”)CountVectorizerModel……> > >模型。變換(df)。顯示(截斷=假)+ - - - + - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - +| |生| |標簽向量+ - - - + - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - +(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。詞彙表)= =(“一個”,“b”,“c”]真正的> > >countVectorizerPath=temp_path+“/ count-vectorizer”> > >簡曆。保存(countVectorizerPath)> > >loadedCv=CountVectorizer。負載(countVectorizerPath)> > >loadedCv。getMinDF()= =簡曆。getMinDF()真正的> > >loadedCv。getMinTF()= =簡曆。getMinTF()真正的> > >loadedCv。getVocabSize()= =簡曆。getVocabSize()真正的> > >modelPath=temp_path+“/ count-vectorizer-model”> > >模型。保存(modelPath)> > >loadedModel=CountVectorizerModel。負載(modelPath)> > >loadedModel。詞彙表= =模型。詞彙表真正的> > >loadedModel。變換(df)。取(1)= =模型。變換(df)。取(1)真正的> > >fromVocabModel=CountVectorizerModel。from_vocabulary([“一個”,“b”,“c”),…inputCol=“原始”,outputCol=“向量”)> > >fromVocabModel。變換(df)。顯示(截斷=假)+ - - - + - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - +| |生| |標簽向量+ - - - + - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - +(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(參數)	清除參數映射的參數是否被顯式地設置。
複製((額外的))	創建這個實例的副本具有相同uid和一些額外的參數。
explainParam(參數)	解釋一個參數並返回它的名字,醫生,和可選的默認值,用戶提供的字符串值。
explainParams()	返回文檔的所有參數選擇默認值和用戶提供的值。
extractParamMap((額外的))	提取嵌入默認參數值和用戶提供的值,然後合並他們額外的值從輸入平麵參數映射,後者使用價值如果存在衝突,即。排序:默認參數值< <額外的用戶提供的值。
適合(數據集[params))	適合一個模型與可選參數的輸入數據集。
fitMultiple(paramMaps數據集)	適合一個模型為每個參數映射的輸入數據集paramMaps。
getBinary()	二進製的值或其默認值。
getInputCol()	得到的價值inputCol或其默認值。
getMaxDF()	得到的價值maxDF或其默認值。
getMinDF()	得到的價值minDF或其默認值。
getMinTF()	得到的價值minTF或其默認值。
getOrDefault(參數)	得到參數的值在用戶提供的參數映射或其默認值。
getOutputCol()	得到的價值outputCol或其默認值。
getParam(paramName)	通過它的名稱參數。
getVocabSize()	得到的價值vocabSize或其默認值。
hasDefault(參數)	檢查是否一個參數有默認值。
hasParam(paramName)	測試這個實例包含一個參數是否與給定名稱(字符串)。
isDefined(參數)	檢查參數是否由用戶或顯式地設置一個默認值。
收取(參數)	檢查參數是否由用戶顯式地設置。
負載(路徑)	從輸入路徑,讀取一個毫升實例的快捷方式read () .load(路徑)。
讀()	返回一個MLReader這個類的實例。
保存(路徑)	這個毫升實例保存到給定的路徑,一個快捷方式的“寫().save(路徑)。
集(參數值)	設置一個參數嵌入參數映射。
setBinary(值)	設置的值二進製。
setInputCol(值)	設置的值inputCol。
setMaxDF(值)	設置的值maxDF。
setMinDF(值)	設置的值minDF。
setMinTF(值)	設置的值minTF。
setOutputCol(值)	設置的值outputCol。
setparam(自我,\ [,minDF minTF maxDF,…))	CountVectorizer設置參數
setVocabSize(值)	設置的值vocabSize。
寫()	返回一個MLWriter實例毫升實例。

屬性

二進製
inputCol
maxDF
minDF
minTF
outputCol
參數個數	返回所有參數命令的名字。
vocabSize

方法的文檔

清晰的 ( 參數:pyspark.ml.param.Param )→沒有

清除參數映射的參數是否被顯式地設置。

複製 ( 額外的:可選(ParamMap]=沒有一個 )→摩根大通

創建這個實例的副本具有相同uid和一些額外的參數。這個實現第一次調用參數。複製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.

參數

額外的 東西,可選

額外參數複製到新實例

返回

JavaParams

這個實例的副本

explainParam ( 參數:聯盟(str,pyspark.ml.param.Param] )→str

解釋一個參數並返回它的名字,醫生,和可選的默認值,用戶提供的字符串值。

explainParams ( )→str

返回文檔的所有參數選擇默認值和用戶提供的值。

extractParamMap ( 額外的:可選(ParamMap]=沒有一個 )→ParamMap

提取嵌入默認參數值和用戶提供的值,然後合並他們額外的值從輸入平麵參數映射,後者使用價值如果存在衝突,即。排序:默認參數值< <額外的用戶提供的值。

參數

額外的 東西,可選

額外的參數值

返回

dict

合並後的參數映射

適合 ( 數據集:pyspark.sql.dataframe.DataFrame,參數個數:聯盟[ParamMap、列表(ParamMap)元組(ParamMap),沒有一個)=沒有一個 )→聯盟(米,列表(米] ]

適合一個模型與可選參數的輸入數據集。

參數

數據集 pyspark.sql.DataFrame

輸入數據集。

參數個數 dict或列表或元組,可選的

一個可選的參數覆蓋嵌入參數的地圖。如果列表/元組的參數映射,這適用於每一個參數並返回一個列表的模型映射。

返回

變壓器或者一個列表變壓器

擬合模型(年代)

fitMultiple ( 數據集:pyspark.sql.dataframe.DataFrame,paramMaps:序列(ParamMap] )→迭代器(元組(int,米] ]

適合一個模型為每個參數映射的輸入數據集paramMaps。

參數

數據集 pyspark.sql.DataFrame

輸入數據集。

paramMaps collections.abc.Sequence

一係列的參數映射。

返回

_FitMultipleIterator

一個線程安全的iterable包含為每個參數映射模型。每次調用下一個(modelIterator)將返回(指數模型)模型是適合使用在哪裏paramMaps(指數)。指數值可能不是連續的。

getBinary ( )→bool

二進製的值或其默認值。

getInputCol ( )→str

得到的價值inputCol或其默認值。

getMaxDF ( )→浮動

得到的價值maxDF或其默認值。

getMinDF ( )→浮動

得到的價值minDF或其默認值。

getMinTF ( )→浮動

得到的價值minTF或其默認值。

getOrDefault ( 參數:聯盟(str,pyspark.ml.param.Param(T]] )→聯盟(任何,T]

得到參數的值在用戶提供的參數映射或其默認值。如果沒有設置提出了一個錯誤。

getOutputCol ( )→str

得到的價值outputCol或其默認值。

getParam ( paramName:str )→pyspark.ml.param.Param

通過它的名稱參數。

getVocabSize ( )→int

得到的價值vocabSize或其默認值。

hasDefault ( 參數:聯盟(str,pyspark.ml.param.Param(任何]] )→bool

檢查是否一個參數有默認值。

hasParam ( paramName:str )→bool

測試這個實例包含一個參數是否與給定名稱(字符串)。

isDefined ( 參數:聯盟(str,pyspark.ml.param.Param(任何]] )→bool

檢查參數是否由用戶或顯式地設置一個默認值。

收取 ( 參數:聯盟(str,pyspark.ml.param.Param(任何]] )→bool

檢查參數是否由用戶顯式地設置。

classmethod 負載 ( 路徑:str )→RL

從輸入路徑,讀取一個毫升實例的快捷方式read () .load(路徑)。

classmethod 讀 ( )→pyspark.ml.util.JavaMLReader(RL]

返回一個MLReader這個類的實例。

保存 ( 路徑:str )→沒有

這個毫升實例保存到給定的路徑,一個快捷方式的“寫().save(路徑)。

集 ( 參數:pyspark.ml.param.Param,價值:任何 )→沒有

設置一個參數嵌入參數映射。

setBinary ( 價值:bool )→pyspark.ml.feature.CountVectorizer

設置的值二進製。

setInputCol ( 價值:str )→pyspark.ml.feature.CountVectorizer

設置的值inputCol。

setMaxDF ( 價值:浮動 )→pyspark.ml.feature.CountVectorizer

設置的值maxDF。

setMinDF ( 價值:浮動 )→pyspark.ml.feature.CountVectorizer

設置的值minDF。

setMinTF ( 價值:浮動 )→pyspark.ml.feature.CountVectorizer

設置的值minTF。

setOutputCol ( 價值:str )→pyspark.ml.feature.CountVectorizer

設置的值outputCol。

setparam ( 自我,\ *,minTF = 1.0,minDF = 1.0,maxDF = 2 * * 63 - 1,vocabSize = 1 < < 18歲,二進製= False,inputCol =沒有,outputCol =沒有 )

CountVectorizer設置參數

setVocabSize ( 價值:int )→pyspark.ml.feature.CountVectorizer

設置的值vocabSize。

寫 ( )→pyspark.ml.util.JavaMLWriter

返回一個MLWriter實例毫升實例。

屬性的文檔

二進製 =參數(父母=‘定義’,name =“二進製”,醫生= '二進製開關控製輸出矢量值。如果這是真的,所有非零項(minTF濾波器應用之後)被設置為1。這是用於離散概率模型,模型的二進製事件而不是整數。默認的錯誤')

inputCol =參數(父母=‘定義’,name = ' inputCol ', doc =輸入列名稱。)

maxDF =參數(父母=‘定義’,name = ' maxDF ', doc = '指定的最大數量不同的文檔可以出現在被包括在術語詞彙。一個術語出現超過閾值將被忽略。如果這是一個整數> = 1,這指定的最大文件數這個詞會出現在;如果這是一個雙在[0,1),那麼這個指定的最大一部分文檔可能出現在這個詞。默認(2 ^ 63)- 1 ')

minDF =參數(父母=‘定義’,name = ' minDF ', doc = '指定了最小數量的不同文檔術語必須出現在被包括在詞彙表中。如果這是一個整數> = 1,這指定文檔的數量必須出現在這個詞;如果這是一個雙在[0,1),那麼這個指定文檔的一部分。默認1.0”)

minTF =參數(父母=‘定義’,name = ' minTF ', doc = "過濾器忽略罕見的單詞在一個文檔。為每個文檔,與頻率/計數小於給定的閾值將被忽略。如果這是一個整數> = 1,那麼這將指定一個計數(次術語必須出現在文檔);如果這是一個雙在[0,1),那麼這個指定一小部分(文檔的令牌數)。注意參數僅用於變換CountVectorizerModel和不影響裝配。默認1.0”)

outputCol =參數(父母=‘定義’,name = ' outputCol ', doc =輸出列名稱。)

參數個數

返回所有參數命令的名字。默認實現使用dir ()所有的屬性類型參數。

vocabSize =參數(父母=‘定義’,name = ' vocabSize ', doc = '馬克斯詞彙量的大小。默認1 < < 18歲。”)

以前的

ChiSqSelectorModel

下一個

CountVectorizerModel