分词器（Tokenizer）
分词是一个处理过程，其将文本句子分割成一系列独立的单词词汇集合，Spark提供Tokenizer分词器类，其提供的功能是使用分隔符的方式处理文本句子的特征转换，Spark提供RegexTokenizer分词器类，其提供的功能是使用正则表达式的方式处理文本句子的特征转换，默认的分隔符是空格，其正则表达式是\\s+，该表达式表示的意思是一个或者多个空格作为分词器的分隔符。
如上所示，data创建了三行记录，每行记录对应一个文本句子。Schema定义一个两列的数据表格，第一列是id，表示行记录的序号，第二列是sentence，表示行记录的文本句子。sentenceDataFrame使用data以及schema创建一个数据框架。tokenizer定义一个分词器，输入sentence列，输出words单词词汇集合列。regexTokenizer定义一个正则表达式的分词器，其匹配的正则表达式是\\W，该表达式表示的意思是匹配每个单词。countTokens定义一个分词计数器，用于统计分词器所得的单词词汇集合的大小。tokenized以及regexTokenized是分词所得的单词词汇集合。
StopWordsRemover
该转换器提供在单词分割的过程中，删除一些没有实质性意义的单词，例如，英文句子中的a、the。
如上所示，对输入的原文进行转换，输出合法的单词词汇集合。
如上所示，使用Java代码对输入的数据集，执行对应的转换，输出合法的单词词汇集合。其中，remover定义一个过滤不合法单词的转换器，data定义一个输入的原文句子，schema定义一个数据表格，dataset使用data以及schema创建一个数据框架，remover对数据框架执行转换。
n-gram
该转换器是指对原文句子执行转换，输出一个包括n个单词的单词序列的集合。
如上所示，使用Java代码对输入的原文句子执行n-gram的转换。
如上所示，使用scala的本地单元测试环境对原文句子的数据集合执行n-gram的转换，最后，输出n-grams的数据集合，其中n-gram对应2-gram。
Binarizer
该转换器是对数字特征的二元分类转换器，其设定一个临界值，小于临界值的是一种分类，大于临界值的是其他分类。
如上所示，使用Java代码对输入的数字特征执行转换，其中，data定义输入的数字特征，schema定义一个数据表格，包括id以及feature两列，continuousDataFrame定义一个数据框架，binarizer定义一个二元分类转换器，binarizedDataFrame是使用二元分类转换器对数据集合执行二元分类。
如上所示，使用scala语言执行二元分类的转换，其中，小于临界值的数字特征被转换成0.0，大于临界值的数字特征被转换成1.0。
（未完待续）
好文推荐
您阅读本篇文章共花了：
发表评论