分位数离散化 (QuantileDiscretizer)

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

Python 类名：QuantileDiscretizer

功能介绍

分位点离散可以计算选定列的分位点，然后使用这些分位点进行离散化。
生成选中列对应的q-quantile，其中可以所有列指定一个，也可以每一列对应一个

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[]	✓
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”	“INDEX”
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”
leftOpen	是否左开右闭	左开右闭为true，左闭右开为false	Boolean			true
modelFilePath	模型的文件路径	模型的文件路径	String			null
numBuckets	quantile个数	quantile个数，对所有列有效。	Integer			2
numBucketsArray	quantile个数	quantile个数，每一列对应数组中一个元素。	Integer[]			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, 1, 2.0, True],
    ["c", 1, 2, -3.0, True],
    ["a", 2, 2, 2.0, False],
    ["c", 0, 0, 0.0, False]
])

batchSource = BatchOperator.fromDataframe(
    df, schemaStr='f_string string, f_long long, f_int int, f_double double, f_boolean boolean')
streamSource = StreamOperator.fromDataframe(
    df, schemaStr='f_string string, f_long long, f_int int, f_double double, f_boolean boolean')

QuantileDiscretizer()\
    .setSelectedCols(['f_double'])\
    .setNumBuckets(8)\
    .fit(batchSource)\
    .transform(batchSource)\
    .print()

QuantileDiscretizer()\
    .setSelectedCols(['f_double'])\
    .setNumBuckets(8)\
    .fit(batchSource)\
    .transform(streamSource)\
    .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.source.MemSourceBatchOp;
import com.alibaba.alink.operator.stream.StreamOperator;
import com.alibaba.alink.operator.stream.source.MemSourceStreamOp;
import com.alibaba.alink.pipeline.feature.QuantileDiscretizer;
import org.junit.Test;

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

public class QuantileDiscretizerTest {
	@Test
	public void testQuantileDiscretizer() throws Exception {
		List <Row> sourceFrame = Arrays.asList(
			Row.of("a", 1, 1, 2.0, true),
			Row.of("c", 1, 2, -3.0, true),
			Row.of("a", 2, 2, 2.0, false),
			Row.of("c", 0, 0, 0.0, false)
		);
		BatchOperator <?> batchSource = new MemSourceBatchOp(sourceFrame,
			"f_string string, f_long int, f_int int, f_double double, f_boolean boolean");
		StreamOperator <?> streamSource = new MemSourceStreamOp(sourceFrame,
			"f_string string, f_long int, f_int int, f_double double, f_boolean boolean");
		new QuantileDiscretizer().setSelectedCols("f_double").setNumBuckets(8).fit(batchSource).transform(batchSource)
			.print();
		new QuantileDiscretizer().setSelectedCols("f_double").setNumBuckets(8).fit(batchSource).transform(streamSource)
			.print();
		StreamOperator.execute();
	}
}

运行结果

f_string	f_long	f_int	f_double	f_boolean
a	1	1	2	true
c	1	2	0	true
a	2	2	2	false
c	0	0	1	false