我试图寻找两组包含字符串的数据之间的Jaccard距离,但是,即使数据集A中的文本存在于数据集B中,它总是返回None。以下是步骤,我已经试过了。
管道。
model = Pipeline(
stages=[
RegexTokenizer(pattern="", inputCol=input_column, outputCol="tokens", minTokenLength=1),
NGram(n=2, inputCol="tokens", outputCol="ngrams"),
HashingTF(inputCol="ngrams", outputCol="vectors"),
MinHashLSH(inputCol="vectors", outputCol="lsh", numHashTables=5)
]
).fit(data_frame)
LSH生成。
数据集A。第1行:[[1986870.0],[2.1903113E7],[1308692.0],[4186425.0],[6684366.0]]。
第2行:[[2.0131929E7],[2.1903113E7],[1308692.0],[4186425.0],[6684366.0]]
数据集B。第1行:[[8.60015581E8],[3.28657332E8],[6.642221E7],[1.051655731E9],[8.350559E7]]
它应该给我两组之间的距离,而不是给我None。