OneHotEncoder介绍单属性多属性scala实现

       因为项目的需要，将数据库中表的属性向量化，然后进行机器学习，所以去spark官网学习了一下OneHotEncoder,官网的相关介绍比较少，主要是针对单属性的处理，但是项目的要求是多属性的处理，网上找了很多的资料，研究了大半天终于将它集成到了自己的项目之中，下面分享一下自己的学习心得，说的不好的地方，还请各位大神多多指教。

      介绍：将类别映射为二进制向量，其中至多一个值为1（其余为零），这种编码可供期望连续特征的算法使用，比如逻辑回归，这些分类的算法。

     好处：1.解决分类器不好处理属性数据的问题（分类器往往默认数据是连续的，并且是有序的）

                2.在一定程度上也起到了扩充特征的作用

     原理：1.String字符串转换成索引IndexDouble

                2.索引转化成SparseVector

      总结：OneHotEncoder=String->IndexDouble->SparseVector

单属性的官网实现：

package com.iflytek.features import org.apache.spark.ml.feature.{OneHotEncoder, StringIndexer} import org.apache.spark.ml.feature.{IndexToString, StringIndexer} import org.apache.spark.sql.SparkSession import org.apache.spark.ml.linalg.SparseVector

object OneHotEncoder {   val spark=SparkSession.builder().appName("pca").master("local").getOrCreate()   def main(args: Array[String]): Unit = {   val df = spark.createDataFrame(Seq(   (0, "a"),   (1, "b"),   (2, "c"),   (3, "a"),   (4, "a"),   (5, "c")   )).toDF("id", "category")

  //可以把一个属性列里的值映射成数值类型   val indexer = new StringIndexer()     .setInputCol("category")     .setOutputCol("categoryIndex")     .fit(df)   val indexed = indexer.transform(df)

  indexed.select("category", "categoryIndex").show()

  val encoder = new OneHotEncoder()     .setInputCol("categoryIndex")     .setOutputCol("categoryVec")   val encoded = encoder.transform(indexed)   encoded.select("id","categoryIndex", "categoryVec").show()   encoded.select("categoryVec").foreach {     x => println(x.getAs[SparseVector]("categoryVec").toArray.foreach {       x => print(x+" ")       }     )     }     } }

输出结果如下：

+--------+-------------+ |category|categoryIndex| +--------+-------------+ |       a|          0.0| |       b|          2.0| |       c|          1.0| |       a|          0.0| |       a|          0.0| |       c|          1.0| +--------+-------------+

+---+-------------+-------------+ | id|categoryIndex|  categoryVec| +---+-------------+-------------+ |  0|          0.0|(2,[0],[1.0])| |  1|          2.0|    (2,[],[])| |  2|          1.0|(2,[1],[1.0])| |  3|          0.0|(2,[0],[1.0])| |  4|          0.0|(2,[0],[1.0])| |  5|          1.0|(2,[1],[1.0])| +---+-------------+-------------+

1.0 0.0 () 0.0 0.0 () 0.0 1.0 () 1.0 0.0 () 1.0 0.0 () 0.0 1.0 ()

多属性的找了很多资料，业务需求一般都是多属性的：

import  sc.implicits._     val vectorData = dataRDD       //将 枚举的值 转化为 Double      .map( x => (  enum2Double("是否已流失",x._1),   x._2(0) , x._2(1) ,x._2(2),x._2(3) ) )        //ml.feature.LabeledPoint      .toDF("loss","gender","age","grade","region")

     //indexing columns     val stringColumns = Array("gender","age","grade","region")     val index_transformers: Array[org.apache.spark.ml.PipelineStage] = stringColumns.map(     cname => new StringIndexer()         .setInputCol(cname)         .setOutputCol(s"${cname}_index")      )

    // Add the rest of your pipeline like VectorAssembler and algorithm     val index_pipeline = new Pipeline().setStages(index_transformers)     val index_model = index_pipeline.fit(vectorData)     val df_indexed = index_model.transform(vectorData)

    //encoding columns     val indexColumns  = df_indexed.columns.filter(x => x contains "index")     val one_hot_encoders: Array[org.apache.spark.ml.PipelineStage] = indexColumns.map(     cname => new OneHotEncoder()        .setInputCol(cname)        .setOutputCol(s"${cname}_vec")     )

    val pipeline = new Pipeline().setStages(index_transformers ++ one_hot_encoders)

    val model = pipeline.fit(vectorData)

model.transform(vectorData).select("loss","gender_index_vec","age_index_vec","grade_index_vec","region_index_vec")     .map (         x=>         ml.feature.LabeledPoint(x.apply(0).toString().toDouble ,ml.linalg.Vectors.dense(x.getAs[SparseVector]    ("gender_index_vec").toArray++x.getAs[SparseVector]("age_index_vec").toArray++x.getAs[SparseVector]("grade_index_vec").toArray++x.getAs[SparseVector]("region_index_vec").toArray))      )