该文档涉及的组件

文本分解 (Tokenizer)

Java 类名:com.alibaba.alink.pipeline.nlp.Tokenizer

Python 类名:Tokenizer

功能介绍

对文本按空白符进行切分操作。

使用方式

文本列通过参数 selectedCol 指定,输出列通过 outputCol 指定。

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
selectedCol 选中的列名 计算列对应的列名 String
outputCol 输出结果列 输出结果列列名,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

代码示例

Python 代码

df = pd.DataFrame([
    [0, 'That is an English Book!'],
    [1, 'Do you like math?'],
    [2, 'Have a good day!']
])

inOp1 = BatchOperator.fromDataframe(df, schemaStr='id long, text string')

op = Tokenizer().setSelectedCol("text")
op.transform(inOp1).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.nlp.Tokenizer;
import org.junit.Test;

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

public class TokenizerTest {
	@Test
	public void testTokenizer() throws Exception {
		List <Row> df = Arrays.asList(
			Row.of(0, "That is an English Book!"),
			Row.of(1, "Do you like math?"),
			Row.of(2, "Have a good day!")
		);
		BatchOperator <?> inOp1 = new MemSourceBatchOp(df, "id int, text string");
		Tokenizer op = new Tokenizer().setSelectedCol("text");
		op.transform(inOp1).print();
	}
}

运行结果

id text
0 that is an english book!
1 do you like math?
2 have a good day!