独热编码 (OneHotEncoder)

Java 类名：com.alibaba.alink.pipeline.feature.OneHotEncoder

Python 类名：OneHotEncoder

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[]	✓
discreteThresholds	离散个数阈值	离散个数阈值，低于该阈值的离散样本将不会单独成一个组别。	Integer			-2147483648
discreteThresholdsArray	离散个数阈值数组	离散个数阈值，每一列对应数组中一个元素。	Integer[]			null
dropLast	是否删除最后一个元素	删除最后一个元素是为了保证线性无关性。默认true	Boolean			true
encode	编码方法	编码方法	String		“VECTOR”, “ASSEMBLED_VECTOR”, “INDEX”	“ASSEMBLED_VECTOR”
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
overwriteSink	是否覆写已有数据	是否覆写已有数据	Boolean			false
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 = pd.DataFrame([
    ["a", 1],
    ["b", 1],
    ["c", 1],
    ["e", 2],
    ["a", 2],
    ["b", 1],
    ["c", 2],
    ["d", 2],
    [None, 1]
])

inOp = BatchOperator.fromDataframe(df, schemaStr='query string, weight long')

# one hot train
one_hot = OneHotEncoder().setSelectedCols(["query"]).setOutputCols(["output"])
one_hot.fit(inOp).transform(inOp).print()

Java 代码

import org.apache.flink.types.Row;

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

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

public class OneHotEncoderTest {
	@Test
	public void testOneHotEncoder() throws Exception {
		List <Row> df = Arrays.asList(
			Row.of("a", 1),
			Row.of("b", 1),
			Row.of("c", 1),
			Row.of("e", 2),
			Row.of("a", 2),
			Row.of("b", 1),
			Row.of("c", 2),
			Row.of("d", 2),
			Row.of(null, 1)
		);
		BatchOperator <?> inOp = new MemSourceBatchOp(df, "query string, weight int");
		OneHotEncoder one_hot = new OneHotEncoder().setSelectedCols("query").setOutputCols("output");
		one_hot.fit(inOp).transform(inOp).print();
	}
}

运行结果

query	weight	output
a	1	$5$0:1.0
b	1	$5$1:1.0
c	1	$5$2:1.0
e	2	$5$
a	2	$5$0:1.0
b	1	$5$1:1.0
c	2	$5$2:1.0
d	2	$5$3:1.0
null	1	$5$4:1.0