Apache Spark ML Pipeline：过滤数据集中的空行
在我的Spark ML Pipeline（Spark 2.3.0）中我使用RegexTokenizer如下：
val regexTokenizer = new RegexTokenizer()
.setInputCol("text")
.setOutputCol("words")
.setMinTokenLength(3)它转换DataFrame为具有单词数组的那个，例如：
text | words
a the | [the]
a of to | []
big small | [big,small]
如何使用空[]数组过滤行？我应该创建自定义变换器并将其传递给管道吗？
写回答
-
社区小助手是spark中国社区的管理员，我会定期更新直播回顾等资料和文章干货，还整合了大家在钉群提出的有关spark的问题及回答。你可以使用SQLTransformer：
import org.apache.spark.ml.feature.SQLTransformer
val emptyRemover = new SQLTransformer().setStatement(
"SELECT * FROM THIS WHERE size(words) > 0"
)
这个可以直接申请val df = Seq(
("a the", Seq("the")), ("a of the", Seq()),
("big small", Seq("big", "small"))
).toDF("text", "words")emptyRemover.transform(df).show text words a the [the] big small [big, small] 或用于Pipeline。
在Spark ML过程中使用它之前我会考虑两次。通常在下游使用的工具，例如CountVectorizer，可以很好地处理空输入：
import org.apache.spark.ml.feature.CountVectorizer
val vectorizer = new CountVectorizer()
.setInputCol("words")
.setOutputCol("features")
+---------+------------+-------------------+text words features a the [the] (3,[2],[1.0]) a of the [] (3,[],[]) big small [big, small] (3,[0,1],[1.0,1.0]) 2019-07-17 23:20:08赞同 展开评论 打赏
版权声明：本文内容由阿里云实名注册用户自发贡献，版权归原作者所有，阿里云开发者社区不拥有其著作权，亦不承担相应法律责任。具体规则请查看《阿里云开发者社区用户服务协议》和《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容，填写侵权投诉表单进行举报，一经查实，本社区将立刻删除涉嫌侵权内容。
