【机器学习】Spark ML 对数据特征进行 One-Hot 编码-Toy模板网

这篇具有很好参考价值的文章主要介绍了【机器学习】Spark ML 对数据特征进行 One-Hot 编码。希望对大家有所帮助。如果存在错误或未考虑完全的地方，请大家不吝赐教，您也可以点击"举报违法"按钮提交疑问。

什么是 One-Hot 编码？

在机器学习中，一般需要对非数值型的特征进行编码处理，将其转化为数值型的特征。其中，One-Hot 编码是一种常见的特征编码方式。

One-Hot 编码是将一个离散特征的每个取值映射为一个唯一的整数编号，并将该编号表示成一个二进制向量的形式。具体来说，对于一个有 $k$ 个不同取值的离散特征，其 One-Hot 编码将会得到一个 $k$ 维的向量，其中只有一个元素为 1，其余元素为 0，该元素的下标对应着特征取值的编号。

例如，对于一个颜色特征，其可能的取值为红、绿、蓝三种，可以将其编码为：

红色：[1, 0, 0]
绿色：[0, 1, 0]
蓝色：[0, 0, 1]

为什么需要 One-Hot 编码？

One-Hot 编码主要用于将离散特征转化为数值特征，并且避免了特征之间的大小关系，方便在机器学习模型中使用。

避免数值型特征带来的大小关系：如果对于一个本质上是离散的特征，使用数值型的编码方式，就可能会导致不同取值之间带来了大小关系，这可能会影响机器学习模型的训练效果。而使用 One-Hot 编码，每个取值都是独立的，不存在大小关系，不会对模型产生影响。
方便使用分类器：在机器学习中，一些分类器（比如决策树、支持向量机等）需要将数据转换为数值型的输入，One-Hot 编码可以将离散特征转换为数值特征，方便这些分类器进行训练和预测。
增加特征的独立性：在一些情况下，原始的离散特征可能存在相关性，One-Hot 编码可以将这些特征转化为互相独立的数值特征，便于在模型中使用。

需要注意的是，对于具有大量不同取值的离散特征，进行 One-Hot 编码可能会导致特征维度爆炸，影响模型的训练效率和性能。在这种情况下，可以考虑使用其他特征编码方式，比如哈希编码。

Spark ML 之 One-Hot

在 Spark MLlib 中，我们通过 OneHotEncoder 特征转换器，用于将类别特征转换为二元向量，其实现基于 One-Hot 编码，将每个类别特征映射到唯一的整数索引，并将索引编码为二元向量。该转换器适用于逻辑回归、朴素贝叶斯等需要数值特征作为输入的算法。

OneHotEncoder 转换器有两个主要参数：

inputCol：需要转换为二元向量的输入列名。
outputCol：转换后的二元向量输出列名。

那么什么是二元向量呢？

二元向量是指只包含两个元素的向量。在数学中，一个二元向量可以表示为 $(x, y)$ ，其中 $x$ 和 $y$ 是向量的两个分量。这样的向量也可以被看作是二维坐标系中的一个点，其中 $x$ 和 $y$ 分别表示该点在 $x$ 轴和 $y$ 轴上的坐标。

在机器学习和数据分析中，二元向量通常被用来表示二元特征，例如某个物品是否被购买，某个用户是否点击了某个广告等等。在这种情况下，向量的两个分量通常分别表示某个特征的取值为 0 或 1。

Spark ML 应用示例

在 maven 中引入 Spark ML 的依赖。

        <dependency>
            <groupId>org.apache.spark</groupId>
            <artifactId>spark-mllib_2.12</artifactId>
            <version>3.0.0</version>
        </dependency>

1.创建 SparkSession 对象

        val spark: SparkSession = SparkSession
                .builder()
                .master("local[*]")
                .appName("One_Hot")
                .getOrCreate()

2.创建一个示例数据集，格式为 DataFrame

        import spark.implicits._

        val data: DataFrame = Seq(
            (0, "red"),
            (1, "blue"),
            (2, "green"),
            (3, "red"),
            (4, "red"),
            (5, "blue")
        ).toDF("id", "color")

生成了一个包含 "id" 和 "color" 两个字段的 DataFrame。其中 "color" 是一个字符串类型的类别特征，包括 "red"、"blue" 和 "green" 三种取值。

3.创建 StringIndexer 对象，对特征进行索引编码

        val indexer: StringIndexerModel = new StringIndexer()
                .setInputCol("color")
                .setOutputCol("index_color")
                .fit(data)

        val indexData: DataFrame = indexer.transform(data)

该编码会将 "color" 特征中的三种取值分别编码为 0、1 和 2。

StringIndexer 是 Spark 中常用的一种特征工程模型，它的作用是将字符串类型的特征值转换成数值类型的特征值。在机器学习和数据分析中，通常需要将非数值类型的特征值转换成数值类型，这样才能够使用各种算法进行训练和预测等等。

StringIndexer 可以将某个字符串特征的所有取值按照出现的次数进行排序，并为每个取值分配一个整数编号，从而将字符串类型的特征值转换成整数类型的特征值。

例如，如果某个字符串特征的取值为 ["cat", "dog", "bird", "dog", "cat"]，那么经过 StringIndexer 处理后，取值 "cat" 将被编号为 0，"dog" 将被编号为 1，"bird" 将被编号为 2，转换后的特征值为 [0, 1, 2, 1, 0]（出现次数一样会按照 ASCII 码等规则进行编号）。

4.使用 OneHotEncoder 对特征进行 One-Hot 编码

        val encoder: OneHotEncoder = new OneHotEncoder()
                .setInputCol("index_color")
                .setOutputCol("encoded_color")
                .setDropLast(false)

        val encoderModel: OneHotEncoderModel = encoder.fit(indexData)

        val encoderData: DataFrame = encoderModel.transform(indexData)

将编码后的 "index_color" 特征作为输入，将输出列设置为 "encoded_color"，对其进行 One-Hot 编码，并保留每个特征中的所有取值。

这意味着对于 "color" 特征，由于有三种取值，因此编码后的结果会生成一个长度为 3 的向量，其中每个元素对应一种取值，元素值为 1 表示该取值出现，为 0 表示该取值未出现。

setDropLast 是 OneHotEncoder 类的一个方法，它用于设置是否省略最后一个编码值，其默认值为 true。
如果将 setDropLast 设置为 false，则会为每个不同的类别创建一个编码列，这样最后一个类别将具有全部 1 的编码向量。如果将其设置为 true，则会为每个不同的类别创建一个编码列，但最后一个编码列将被省略。

5.输出结果

        encoderData.show(false)

输出结果如下所示：

+---+-----+-----------+-------------+
|id |color|index_color|encoded_color|
+---+-----+-----------+-------------+
|0  |red  |0.0        |(3,[0],[1.0])|
|1  |blue |1.0        |(3,[1],[1.0])|
|2  |green|2.0        |(3,[2],[1.0])|
|3  |red  |0.0        |(3,[0],[1.0])|
|4  |red  |0.0        |(3,[0],[1.0])|
|5  |blue |1.0        |(3,[1],[1.0])|
+---+-----+-----------+-------------+

encoded_color 列是进行 One-Hot 编码完成后的特征向量。

我们拿 ID 为 0 的数据来对 encoded_color 列进行说明，即：(3,[0],[1.0]) ，解析如下：

3 表示特征数量，即：red、blue、green。
[0] 表示特征的编码，这里 red 的编码为 0。
[1.0] 表示该列是否为 red（其它列对应其它的颜色），1 表示是，0 表示否。

6.进行向量拆分

        encoderData.withColumn("new_encoded_color",vector_to_array(col("encoded_color")))
                .show(false)

结果如下：

+---+-----+-----------+-------------+-----------------+
|id |color|index_color|encoded_color|new_encoded_color|
+---+-----+-----------+-------------+-----------------+
|0  |red  |0.0        |(3,[0],[1.0])|[1.0, 0.0, 0.0]  |
|1  |blue |1.0        |(3,[1],[1.0])|[0.0, 1.0, 0.0]  |
|2  |green|2.0        |(3,[2],[1.0])|[0.0, 0.0, 1.0]  |
|3  |red  |0.0        |(3,[0],[1.0])|[1.0, 0.0, 0.0]  |
|4  |red  |0.0        |(3,[0],[1.0])|[1.0, 0.0, 0.0]  |
|5  |blue |1.0        |(3,[1],[1.0])|[0.0, 1.0, 0.0]  |
+---+-----+-----------+-------------+-----------------+