CountVectorizer

CountVectorizer

关于文本特征提取，前面一篇文章TF-IDF介绍了HashingTF，本文将再介绍一种Spark MLlib的API CountVectorizer。

CountVectorizer 和 CountVectorizerModel 旨在帮助将文本文档集合转化为频数向量。当先验词典不可用时，CountVectorizer可以用作Estimator提取词汇表，并生成一个CountVectorizerModel。该模型会基于该字典为文档生成稀疏矩阵，该稀疏矩阵可以传给其它算法，比如LDA，去做一些处理。

在拟合过程中，CountVectorizer会从整个文档集合中进行词频统计并排序后的前vocabSize个单词。

一个可选参数minDF也会影响拟合过程，方法是指定词汇必须出现的文档的最小数量（或小于1.0）。另一个可选的二进制切换参数控制输出向量。如果设置为true，则所有非零计数都设置为1.这对于模拟二进制计数而不是整数计数的离散概率模型特别有用。

举例说明该算法

假如我们有个DataFrame有两列：id和texts。

id	texts
0	Array("a", "b",  "c")
1	Array("a", "b",  "b", "c", "a")

 

每一行texts都是一个Array [String]类型的文档。使用字典（A，B，C）调用CountVectorizer产生CountVectorizerModel。然后转换后的输出列“向量”包含

vector列：

id	texts	vector
0	Array("a", "b",  "c")	(3,[0,1,2],[1.0,1.0,1.0])
1	Array("a", "b",  "b", "c", "a")	(3,[0,1,2],[2.0,2.0,1.0])

 

将两篇文档中的词去重后就组成了一个字典，这个字典中有3个词：a,b,c,分别建立索引为0,1,2. 
在第三列的文档向量，是由基于字典的索引向量，与对应对索引的词频向量所组成的。 
文档向量是稀疏的表征，例子中只有3个词可能感觉不出，在实际业务中，字典的长度是上万，而文章中出现的词可能是几百或几千，故很多索引对应的位置词频都是0.

spark中的源码

导包

import org.apache.spark.ml.feature.{CountVectorizer, CountVectorizerModel}

准备数据

val df = spark.createDataFrame(Seq(
  (0, Array("a", "b", "c")),
  (2, Array("a", "b", "c", "c", "a"))
)).toDF("id", "words")

从全文集中拟合CountVectorizerModel（自动计算字典）

val cvModel: CountVectorizerModel = new CountVectorizer()
  .setInputCol("words")
  .setOutputCol("features")
  .setVocabSize(3)
  .setMinDF(2).fit(df)

查看结果

cvModel.transform(df).show(false)

指定预先字典

val cvm = new CountVectorizerModel(Array("a", "b", "c"))
.setInputCol("words").setOutputCol("features")

为了避免重复，重新造一组数据

val df = spark.createDataFrame(Seq(
  (0, Array("a", "b", "c")),
  (2, Array("a", "b", "c", "c", "a"))
)).toDF("id", "words")

查看结果

cvm.transform(df).show(false)

推荐阅读：

1，SparkMLLib中基于DataFrame的TF-IDF

2，基于DF的Tokenizer分词

3，案例：Spark基于用户的协同过滤算法

4，SparkSql的Catalyst之图解简易版

关于Spark高级玩法

kafka，hbase，spark，Flink等入门到深入源码，spark机器学习，大数据安全，大数据运维，请关注浪尖公众号，看高质量文章。

更多文章，敬请期待