pyspark.ml管道：基本预处理任务是否需要自定义转换器？

如何解决pyspark.ml管道：基本预处理任务是否需要自定义转换器？

我想说这主要是基于意见的，尽管它看起来不必要地冗长，并且PythonTransformers无法与其余PipelineAPI很好地集成。

还值得指出的是，您可以轻松实现此处的所有功能sqlTransformer。例如：

from pyspark.ml.feature import sqlTransformer

def column_selector(columns):
    return sqlTransformer(
        statement="SELECT {} FROM __THIS__".format(", ".join(columns))
    )

要么

def na_dropper(columns):
    return sqlTransformer(
        statement="SELECT * FROM __THIS__ WHERE {}".format(
            " AND ".join(["{} IS NOT NULL".format(x) for x in columns])
        )
    )

稍加努力，您就可以将sqlAlchemy与Hive方言结合使用来避免手写sql。

解决方法

pyspark.ml通过管道API入门，我发现自己为典型的预处理任务编写了自定义转换器，以便在管道中使用它们。例子：

from pyspark.ml import Pipeline,Transformer


class CustomTransformer(Transformer):
    # lazy workaround - a transformer needs to have these attributes
    _defaultParamMap = dict()
    _paramMap = dict()
    _params = dict()

class ColumnSelector(CustomTransformer):
    """Transformer that selects a subset of columns
    - to be used as pipeline stage"""

    def __init__(self,columns):
        self.columns = columns


    def _transform(self,data):
        return data.select(self.columns)


class ColumnRenamer(CustomTransformer):
    """Transformer renames one column"""


    def __init__(self,rename):
        self.rename = rename

    def _transform(self,data):
        (colNameBefore,colNameAfter) = self.rename
        return data.withColumnRenamed(colNameBefore,colNameAfter)


class NaDropper(CustomTransformer):
    """
    Drops rows with at least one not-a-number element
    """

    def __init__(self,cols=None):
        self.cols = cols


    def _transform(self,data):
        dataAfterDrop = data.dropna(subset=self.cols) 
        return dataAfterDrop


class ColumnCaster(CustomTransformer):

    def __init__(self,col,toType):
        self.col = col
        self.toType = toType

    def _transform(self,data):
        return data.withColumn(self.col,data[self.col].cast(self.toType))

它们可以工作，但是我想知道这是模式还是反模式-这样的转换器是使用管道API的好方法吗？是否有必要实现它们，或者在其他地方提供了等效功能？