MinHashLSH

類 pyspark.ml.feature。 MinHashLSH ( *,inputCol:可選(str]=沒有一個,outputCol:可選(str]=沒有一個,種子:可選(int]=沒有一個,numHashTables:int=1 )

激光衝徊化類Jaccard距離。可以稠密或稀疏向量的輸入,但它是更有效的稀疏。例如,向量。稀疏的(10,((2,1.0),(3,1.0),(5, 1.0)])意味著有10個元素空間。這組包含元素2、3和5。此外,任何輸入向量必須至少有1零指數,和所有非零值被視為二進製“1”的值。

筆記

看到維基百科上MinHash

例子

> > >從pyspark.ml.linalg進口向量> > >從pyspark.sql.functions進口上校> > >數據=((0,向量。稀疏的(6,(0,1,2),(1.0,1.0,1.0),),…(1,向量。稀疏的(6,(2,3,4),(1.0,1.0,1.0),),…(2,向量。稀疏的(6,(0,2,4),(1.0,1.0,1.0),)> > >df=火花。createDataFrame(數據,(“id”,“特征”])> > >mh=MinHashLSH()> > >mh。setInputCol(“特征”)MinHashLSH……> > >mh。setOutputCol(“散列”)MinHashLSH……> > >mh。setSeed(12345年)MinHashLSH……> > >模型=mh。適合(df)> > >模型。setInputCol(“特征”)MinHashLSHModel……> > >模型。變換(df)。頭()行(id = 0,特性= SparseVector(6,{0: 1.0, 1: 1.0, 2: 1.0}),散列= [DenseVector ([6179668…> > >data2=((3,向量。稀疏的(6,(1,3,5),(1.0,1.0,1.0),),…(4,向量。稀疏的(6,(2,3,5),(1.0,1.0,1.0),),…(5,向量。稀疏的(6,(1,2,4),(1.0,1.0,1.0),)> > >df2=火花。createDataFrame(data2,(“id”,“特征”])> > >關鍵=向量。稀疏的(6,(1,2),(1.0,1.0])> > >模型。approxNearestNeighbors(df2,關鍵,1)。收集()行(id = 5,特性= SparseVector(6,{1: 1.0, 2: 1.0, 4: 1.0}),散列= [DenseVector ([6179668…> > >模型。approxSimilarityJoin(df,df2,0.6,distCol=“JaccardDistance”)。選擇(…上校(“datasetA.id”)。別名(“艾達”),…上校(“datasetB.id”)。別名(“idB”),…上校(“JaccardDistance”))。顯示()+ - - - + - - - + - - - - - - - - - - - - - - - - - - +idA | | idB | JaccardDistance |+ - - - + - - - + - - - - - - - - - - - - - - - - - - +| 0 | 5 | 0.5 || 1 | 4 | 0.5 |+ - - - + - - - + - - - - - - - - - - - - - - - - - - +…> > >mhPath=temp_path+“/ mh”> > >mh。保存(mhPath)> > >mh2=MinHashLSH。負載(mhPath)> > >mh2。getOutputCol()= =mh。getOutputCol()真正的> > >modelPath=temp_path+“/ mh型”> > >模型。保存(modelPath)> > >model2=MinHashLSHModel。負載(modelPath)> > >模型。變換(df)。頭()。散列= =model2。變換(df)。頭()。散列真正的

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。
getInputCol()	得到的價值inputCol或其默認值。
getNumHashTables()	得到的價值numHashTables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。
getSeed()	種子的價值或其默認值。
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。
setInputCol(值)	設置的值inputCol。
setNumHashTables(值)	設置的值numHashTables。
setOutputCol(值)	設置的值outputCol。
setparam(自我,\ [,outputCol inputCol…))	為這個MinHashLSH設置參數。
setSeed(值)	設置的值種子。
寫()	返回一個MLWriter實例毫升實例。

屬性

inputCol
numHashTables
outputCol
參數個數	返回所有參數命令的名字。
種子

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。

getInputCol ( )→str

得到的價值inputCol或其默認值。

getNumHashTables ( )→int

得到的價值numHashTables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。

getSeed ( )→int

種子的價值或其默認值。

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。

setInputCol ( 價值:str )→P

設置的值inputCol。

setNumHashTables ( 價值:int )→P

設置的值numHashTables。

setOutputCol ( 價值:str )→P

設置的值outputCol。

setparam ( 自我,\ *,inputCol =沒有,outputCol =沒有,種子=沒有,numHashTables = 1 )

為這個MinHashLSH設置參數。

setSeed ( 價值:int )→pyspark.ml.feature.MinHashLSH

設置的值種子。

寫 ( )→pyspark.ml.util.JavaMLWriter

返回一個MLWriter實例毫升實例。

屬性的文檔

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

numHashTables =參數(父母=‘定義’,name = ' numHashTables ', doc =”數量的哈希表,哈希表數量的增加降低了假陰性率,並提高運行性能降低。”)

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。

種子 =參數(父母=‘定義’,name =“種子”,醫生=“隨機種子。”)

以前的

MaxAbsScalerModel

下一個

MinHashLSHModel