Java 类名:com.alibaba.alink.pipeline.nlp.Tokenizer
Python 类名:Tokenizer

功能介绍

对文本按空白符进行切分操作。

使用方式

文本列通过参数 selectedCol 指定,输出列通过 outputCol 指定。

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
outputCol 输出结果列 输出结果列列名,可选,默认null String null
reservedCols 算法保留列名 算法保留列 String[] null
numThreads 组件多线程线程个数 组件多线程线程个数 Integer 1

代码示例

Python 代码

  1. df = pd.DataFrame([
  2. [0, 'That is an English Book!'],
  3. [1, 'Do you like math?'],
  4. [2, 'Have a good day!']
  5. ])
  6. inOp1 = BatchOperator.fromDataframe(df, schemaStr='id long, text string')
  7. op = Tokenizer().setSelectedCol("text")
  8. op.transform(inOp1).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.nlp.Tokenizer;
  5. import org.junit.Test;
  6. import java.util.Arrays;
  7. import java.util.List;
  8. public class TokenizerTest {
  9. @Test
  10. public void testTokenizer() throws Exception {
  11. List <Row> df = Arrays.asList(
  12. Row.of(0, "That is an English Book!"),
  13. Row.of(1, "Do you like math?"),
  14. Row.of(2, "Have a good day!")
  15. );
  16. BatchOperator <?> inOp1 = new MemSourceBatchOp(df, "id int, text string");
  17. Tokenizer op = new Tokenizer().setSelectedCol("text");
  18. op.transform(inOp1).print();
  19. }
  20. }

运行结果

id text
0 that is an english book!
1 do you like math?
2 have a good day!