MultiStringIndexer预测 (MultiStringIndexerPredictStreamOp)

Java 类名：com.alibaba.alink.operator.stream.dataproc.MultiStringIndexerPredictStreamOp

Python 类名：MultiStringIndexerPredictStreamOp

功能介绍

多列字符串转换组件，输入的模型数据来自 MultiStringIndexerTrainBatchOp 组件的输出，训练的时候指定多个列，每个列单独编码。
这个组件为流式预测组件，预测时需要指定列名，列名必须与训练时列名相同。如果转换时指定了训练时不存在的列名，会报异常。
支持按照一定的次序编码。如随机、出现频次生序，出现频次降序、字符串生序、字符串降序5种方式。
设置 setStringOrderType 参数时分别对应 random frequency_asc frequency_desc alphabet_asc alphabet_desc。

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
selectedCols	选择的列名	计算列对应的列名列表	String[]	✓	所选列类型为 [INTEGER, LONG, STRING]
handleInvalid	未知token处理策略	未知token处理策略。“keep”表示用最大id加1代替, “skip”表示补null， “error”表示抛异常	String		“KEEP”, “ERROR”, “SKIP”	“KEEP”
modelFilePath	模型的文件路径	模型的文件路径	String			null
outputCols	输出结果列列名数组	输出结果列列名数组，可选，默认null	String[]			null
reservedCols	算法保留列名	算法保留列	String[]			null
numThreads	组件多线程线程个数	组件多线程线程个数	Integer			1
modelStreamFilePath	模型流的文件路径	模型流的文件路径	String			null
modelStreamScanInterval	扫描模型路径的时间间隔	描模型路径的时间间隔，单位秒	Integer			10
modelStreamStartTime	模型流的起始时间	模型流的起始时间。默认从当前时刻开始读。使用yyyy-mm-dd hh:mm:ss.fffffffff格式，详见Timestamp.valueOf(String s)	String			null

代码示例

Python 代码

from pyalink.alink import *

import pandas as pd

useLocalEnv(1)

df_data = pd.DataFrame([
    ["football", "apple"],
    ["football", "banana"],
    ["football", "banana"],
    ["basketball", "orange"],
    ["basketball", "grape"],
    ["tennis", "grape"],
])

data = BatchOperator.fromDataframe(df_data, schemaStr='f0 string,f1 string')

stream_data = StreamOperator.fromDataframe(df_data, schemaStr='f0 string,f1 string')

stringindexer = MultiStringIndexerTrainBatchOp() \
     .setSelectedCols(["f0", "f1"]) \
     .setStringOrderType("frequency_asc")

model = stringindexer.linkFrom(data)

predictor = MultiStringIndexerPredictStreamOp(model)\
     .setSelectedCols(["f0", "f1"])\
     .setOutputCols(["f0_indexed", "f1_indexed"])

predictor.linkFrom(stream_data).print()

StreamOperator.execute()

Java 代码

import org.apache.flink.types.Row;

import com.alibaba.alink.operator.batch.BatchOperator;
import com.alibaba.alink.operator.batch.dataproc.MultiStringIndexerTrainBatchOp;
import com.alibaba.alink.operator.batch.source.MemSourceBatchOp;
import com.alibaba.alink.operator.stream.StreamOperator;
import com.alibaba.alink.operator.stream.dataproc.MultiStringIndexerPredictStreamOp;
import com.alibaba.alink.operator.stream.source.MemSourceStreamOp;
import org.junit.Test;

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

public class MultiStringIndexerPredictStreamOpTest {
	@Test
	public void testMultiStringIndexerPredictStreamOp() throws Exception {
		List <Row> df_data = Arrays.asList(
			Row.of("football", "apple"),
			Row.of("football", "banana"),
			Row.of("football", "banana"),
			Row.of("basketball", "orange"),
			Row.of("basketball", "grape"),
			Row.of("tennis", "grape")
		);
		BatchOperator <?> data = new MemSourceBatchOp(df_data, "f0 string,f1 string");
		StreamOperator <?> stream_data = new MemSourceStreamOp(df_data, "f0 string,f1 string");
		BatchOperator <?> stringindexer = new MultiStringIndexerTrainBatchOp()
			.setSelectedCols("f0", "f1")
			.setStringOrderType("frequency_asc");
		BatchOperator model = stringindexer.linkFrom(data);
		StreamOperator <?> predictor = new MultiStringIndexerPredictStreamOp(model)
			.setSelectedCols("f0", "f1")
			.setOutputCols("f0_indexed", "f1_indexed");
		predictor.linkFrom(stream_data).print();
		StreamOperator.execute();
	}
}

运行结果

f0	f1	f0_indexed	f1_indexed
basketball	orange	1	0
football	apple	2	1
tennis	grape	0	3
football	banana	2	2
basketball	grape	1	3
football	banana	2	2