Java 类名:com.alibaba.alink.pipeline.dataproc.StringIndexer
Python 类名:StringIndexer

功能介绍

StringIndexer训练组件的作用是训练一个模型用于将单列字符串映射为整数。

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
handleInvalid 未知token处理策略 未知token处理策略。”keep”表示用最大id加1代替, “skip”表示补null, “error”表示抛异常 String “KEEP”, “ERROR”, “SKIP” “KEEP”
modelFilePath 模型的文件路径 模型的文件路径 String null
modelName 模型名字 模型名字 String
outputCol 输出结果列 输出结果列列名,可选,默认null String null
overwriteSink 是否覆写已有数据 是否覆写已有数据 Boolean false
reservedCols 算法保留列名 算法保留列 String[] null
selectedCols 选中的列名数组 计算列对应的列名列表 String[] null
stringOrderType Token排序方法 Token排序方法 String “RANDOM”, “FREQUENCY_ASC”, “FREQUENCY_DESC”, “ALPHABET_ASC”, “ALPHABET_DESC” “RANDOM”
numThreads 组件多线程线程个数 组件多线程线程个数 Integer 1
modelStreamFilePath 模型流的文件路径 模型流的文件路径 String null
modelStreamScanInterval 扫描模型路径的时间间隔 描模型路径的时间间隔,单位秒 Integer 10
modelStreamStartTime 模型流的起始时间 模型流的起始时间。默认从当前时刻开始读。使用yyyy-mm-dd hh:mm:ss.fffffffff格式,详见Timestamp.valueOf(String s) String null

代码示例

Python 代码

  1. from pyalink.alink import *
  2. import pandas as pd
  3. useLocalEnv(1)
  4. df_data = pd.DataFrame([
  5. ["football"],
  6. ["football"],
  7. ["football"],
  8. ["basketball"],
  9. ["basketball"],
  10. ["tennis"],
  11. ])
  12. data = BatchOperator.fromDataframe(df_data, schemaStr='f0 string')
  13. stringindexer = StringIndexer() \
  14. .setSelectedCol("f0") \
  15. .setOutputCol("f0_indexed") \
  16. .setStringOrderType("frequency_asc")
  17. stringindexer.fit(data).transform(data).print()

Java 代码

  1. import org.apache.flink.types.Row;
  2. import com.alibaba.alink.operator.batch.BatchOperator;
  3. import com.alibaba.alink.operator.batch.source.MemSourceBatchOp;
  4. import com.alibaba.alink.pipeline.dataproc.StringIndexer;
  5. import org.junit.Test;
  6. import java.util.Arrays;
  7. import java.util.List;
  8. public class StringIndexerTest {
  9. @Test
  10. public void testStringIndexer() throws Exception {
  11. List <Row> df_data = Arrays.asList(
  12. Row.of("football"),
  13. Row.of("football"),
  14. Row.of("football"),
  15. Row.of("basketball"),
  16. Row.of("basketball"),
  17. Row.of("tennis")
  18. );
  19. BatchOperator <?> data = new MemSourceBatchOp(df_data, "f0 string");
  20. StringIndexer stringindexer = new StringIndexer()
  21. .setSelectedCol("f0")
  22. .setOutputCol("f0_indexed")
  23. .setStringOrderType("frequency_asc");
  24. stringindexer.fit(data).transform(data).print();
  25. }
  26. }

运行结果

f0 f0_indexed
football 2
football 2
football 2
basketball 1
basketball 1
tennis 0