如何在pyspark中将列拆分为标签和功能？

Question

我正在研究PySpark。来自https://spark.apache.org/docs/2.2.0/ml-pipeline.html，有一个例子：

from pyspark.ml.linalg import Vectors
from pyspark.ml.classification import LogisticRegression

# Prepare training data from a list of (label, features) tuples.
training = spark.createDataFrame([
    (1.0, Vectors.dense([0.0, 1.1, 0.1])),
    (0.0, Vectors.dense([2.0, 1.0, -1.0])),
    (0.0, Vectors.dense([2.0, 1.3, 1.0])),
    (1.0, Vectors.dense([0.0, 1.2, -0.5]))], ["label", "features"])

# Create a LogisticRegression instance. This instance is an Estimator.
lr = LogisticRegression(maxIter=10, regParam=0.01)
# Print out the parameters, documentation, and any default values.
print("LogisticRegression parameters:\n" + lr.explainParams() + "\n")
......

从这里，您可以看到这是一个非常小的数据集，并且所有功能都放在一起并具有通用名称：功能。

但通常我们从csv文件中读取数据如下：

from pyspark.ml.linalg import Vectors
from pyspark.ml.classification import LogisticRegression

spark=SparkSession.builder.getOrCreate()
df = spark.read.csv("/home/feng/Downloads/datatry.csv",header=True)

如果我的数据有5列：c1，c2，c3，c4，c5。假设c5是标签列，其他4列是功能。那么，如何将csv格式转换为上述格式，以便我可以继续工作？或者，还有另一个不需要这样做吗？

谢谢

Answer 1

VectorAssembler可用于将给定的列列表转换为单个矢量列。

用法示例：

assembler = VectorAssembler(
    inputCols=["c1", "c2", "c3", "c4"],
    outputCol="features")

output = assembler.transform(df)

这要求所有列都是数字，布尔或矢量类型。如果你有字符串列，则需要使用额外的变换器：StringIndexer。有关所有可用变压器的概述，请参阅documentation。

请注意，在相同数据上连续使用多个变换器时，使用qazxsw poi更简单。