Hash Cross特征 (HashCrossFeatureBatchOp)

Java 类名：com.alibaba.alink.operator.batch.feature.HashCrossFeatureBatchOp

Python 类名：HashCrossFeatureBatchOp

功能介绍

将选定的离散列组合成单列的向量类型的数据。

算法原理

将选定列的数据的字符串形式以逗号为分隔符拼接起来，然后使用 murmur3_32 函数得到哈希值，并将哈希值通过平移的方式转换至[0, 特征数)之间。

使用方式

使用需要设置选取列的列名（selectCols）和输出列名（outputCol），特征数通过参数 numFeatures 设置，特征数也是
输出列中向量的长度。

参数说明

名称	中文名称	描述	类型	是否必须？	取值范围	默认值
outputCol	输出结果列列名	输出结果列列名，必选	String	✓
selectedCols	选择的列名	计算列对应的列名列表	String[]	✓
numFeatures	向量维度	生成向量长度	Integer			262144
reservedCols	算法保留列名	算法保留列	String[]			null

代码示例

Python 代码

from pyalink.alink import *

import pandas as pd

useLocalEnv(1)

df = pd.DataFrame([
    ["1.0", "1.0", 1.0, 1],
    ["1.0", "1.0", 0.0, 1],
    ["1.0", "0.0", 1.0, 1],
    ["1.0", "0.0", 1.0, 1],
    ["2.0", "3.0", None, 0],
    ["2.0", "3.0", 1.0, 0],
    ["0.0", "1.0", 2.0, 0],
    ["0.0", "1.0", 1.0, 0]])
data = BatchOperator.fromDataframe(df, schemaStr="f0 string, f1 string, f2 double, label bigint")
cross = HashCrossFeatureBatchOp().setSelectedCols(['f0', 'f1', 'f2']).setOutputCol('cross').setNumFeatures(4)
print(cross.linkFrom(data))

Java 代码

import org.apache.flink.types.Row;

import com.alibaba.alink.operator.batch.BatchOperator;
import com.alibaba.alink.operator.batch.feature.HashCrossFeatureBatchOp;
import com.alibaba.alink.operator.batch.source.MemSourceBatchOp;
import org.junit.Test;

import java.util.Arrays;
import java.util.List;

public class HashCrossFeatureBatchOpTest {
	@Test
	public void testHashCrossFeatureBatchOp() throws Exception {
		List <Row> df = Arrays.asList(
			Row.of("1.0", "1.0", 1.0, 1),
			Row.of("1.0", "1.0", 0.0, 1),
			Row.of("1.0", "0.0", 1.0, 1),
			Row.of("1.0", "0.0", 1.0, 1),
			Row.of("2.0", "3.0", null, 0),
			Row.of("2.0", "3.0", 1.0, 0),
			Row.of("0.0", "1.0", 2.0, 0)
		);
		BatchOperator <?> data = new MemSourceBatchOp(df, "f0 string, f1 string, f2 double, label bigint");
		BatchOperator <?> cross = new HashCrossFeatureBatchOp().setSelectedCols("f0", "f1", "f2").setOutputCol("cross")
			.setNumFeatures(4);
		System.out.print(cross.linkFrom(data));
	}
}

运行结果

f0	f1	f2	label	cross
1.0	1.0	0.0000	1	$36$33:1.0
1.0	1.0	1.0000	1	$36$15:1.0
1.0	0.0	1.0000	1	$36$33:1.0
1.0	0.0	1.0000	1	$36$33:1.0
2.0	3.0	1.0000	0	$36$20:1.0
2.0	3.0	None	0	$36$
0.0	1.0	1.0000	0	$36$28:1.0
0.0	1.0	2.0000	0	$36$33:1.0