如何保留 Spark HashingTF() 函数的输入键或索引？

Question

基于 1.4 (https://spark.apache.org/docs/1.4.0/mllib-feature-extraction.html) 的 Spark 文档，我正在编写一个 TF-IDF 示例，用于将文本文档转换为值向量。给出的示例显示了如何做到这一点，但输入是令牌的 RDD 没有键。这意味着我的输出 RDD 不再包含引用原始文档的索引或键。例子是这样的：

documents = sc.textFile("...").map(lambda line: line.split(" "))

hashingTF = HashingTF()
tf = hashingTF.transform(documents)

我想做这样的事情：

documents = sc.textFile("...").map(lambda line: (UNIQUE_LINE_KEY, line.split(" ")))

hashingTF = HashingTF()
tf = hashingTF.transform(documents)

并让生成的tf 变量在某处包含UNIQUE_LINE_KEY 值。我只是错过了一些明显的东西吗？从示例看来，没有很好的方法将document RDD 与tf RDD 联系起来。

Answer 1

我也遇到了同样的问题。在来自文档的示例中，他们鼓励您直接在 RDD 上应用转换。

但是，您可以对向量本身应用转换，这样您就可以以任何方式保留键。

val input = sc.textFile("...")
val documents = input.map(doc => doc -> doc.split(" ").toSeq)

val hashingTF = new HashingTF()
val tf = documents.mapValues(hashingTF.transform(_))
tf.cache()
val idf = new IDF().fit(tf.values)
val tfidf = tf.mapValues(idf.transform(_))

请注意，此代码将产生 RDD[(String, Vector)] 而不是 RDD[Vector]

Answer 2

如果您使用来自提交 85b96372cf0fd055f89fc639f45c1f2cb02a378f 之后的 Spark 版本（这包括 1.4），并使用 ml API HashingTF（需要 DataFrame 输入而不是普通 RDD），则其输出中的原始列。希望对您有所帮助！