SparkException：卡方检验期望因子答案

【问题标题】：SparkException: Chi-square test expect factorsSparkException：卡方检验期望因子
【发布时间】：2019-10-29 13:20:59
【问题描述】：

我有一个包含 42 个特征和 1 个标签的数据集。我想在执行决策树之前应用库 spark ML 的选择方法卡方选择器来检测异常，但是在卡方选择器的应用过程中遇到了这个错误：

org.apache.spark.SparkException：作业因阶段失败而中止：阶段 17.0 中的任务 0 失败 1 次，最近一次失败：丢失任务 17.0 阶段的 0.0（TID 45，本地主机，执行程序驱动程序）：org.apache.spark.SparkException：卡方检验预期因素（分类值），但发现超过 10000 个不同的值第 11 列。

这是我的源代码：

from pyspark.ml.feature import ChiSqSelector
selector = ChiSqSelector(numTopFeatures=1, featuresCol="features",outputCol="features2", labelCol="label")
result = selector.fit(dfa1).transform(dfa1)
result.show()

【问题讨论】：

请添加 dfa1.show(1) 和 dfa1.printSchema() 的结果以便更好地理解您的问题，您确定您的特征 col 是数组/向量类型吗？
@chlebek show(1): +--------------------+-----+ |特点|标签| +--------------------+-----+ |[0.121478,0.0,0.0...| 0| +--------------------+-----+
@chlebek printSchea(): |-- 特征：向量 (nullable = true) |-- 标签：整数 (nullable = true) 谢谢

标签： python apache-spark pyspark chi-squared

【解决方案1】：

正如您在错误消息中看到的那样，您的 features 列在向量中包含超过 10000 个不同的值，并且看起来它们是连续的而不是分类的，ChiSq 只能处理 10k 个类别，并且您无法增加此值。

  /**
   * Max number of categories when indexing labels and features
   */
  private[spark] val maxCategories: Int = 10000

在这种情况下，您可以使用VectorIndexer 和.setMaxCategories() 参数

【讨论】：

请在我测试 VectorIndexer 时遇到同样的错误
-其他问题，我的目标是用最少的特征获得最好的准确性，我想测试 ChiSquare 以将其与其他选择方法进行比较。 -那么，争论并说其他方法比不支持特征的卡方更可靠，更兼容我的数据集是否有意义> 10K --------提前谢谢