Spark CountVectorizer return udt 而不是矢量

Question

我尝试为 Spark 2.3.0 中的 LDA 分析创建令牌计数向量。我遵循了一些教程，每次他们使用 CountVectorizer 轻松地将字符串数组转换为向量。

我运行我的 Databricks 笔记本上的这个简短示例：

import org.apache.spark.ml.feature.CountVectorizer

val testW = Seq(
  (8, Array("Zara", "Nuha", "Ayan", "markle")),
  (9, Array("fdas", "test", "Ayan", "markle")),
  (10, Array("qwertzu", "test", "Ayan", "fdaf"))
  ).toDF("id", "filtered")

// Set params for CountVectorizer
val vectorizer = new CountVectorizer()
  .setInputCol("filtered")
  .setOutputCol("features")
  .setVocabSize(5) 
  .setMinDF(2) 
  .fit(testW)

// Create vector of token counts
val articlesCountVector = vectorizer.transform(testW).select("id", "features")
display(articlesCountVector)

输出如下： output

但是在我看过的所有教程中，"features"的类型都是vector。为什么在我的情况下是 udt ?

我是不是忘记了什么？为什么它不是向量？

可以转换吗？因为我无法使用此 udt 类型创建 LDA 模型。

Answer 1

这里没有问题。你看到的，是Databricks展示功能的实现细节。

在内部，o.a.s.ml.linalg.Vector 和 o.a.s.mllib.linalg.Vector 都没有在 Dataset API 中本地表示，而是使用 UDTs（UserDefinedTypes ).因此输出。

您可以在

中找到所有字段的确切含义

Spark CountVectorizer return udt 而不是矢量

Spark CountVectorizer return udt instead of vector

apache-spark

apache-spark-sql

apache-spark-mllib