web-dev-qa-db-fra.com

Créer un transformateur personnalisé dans PySpark ML

Je suis nouveau sur Spark SQL DataFrames et ML sur eux (PySpark). Comment puis-je créer un tokenizer de costume, qui par exemple supprime les mots vides et utilise certaines bibliothèques de nltk =? Puis-je étendre celui par défaut?

Merci.

pythonapache-sparknltkpysparkapache-spark-ml
22
Niko

Puis-je étendre celui par défaut?

Pas vraiment. Tokenizer par défaut est une sous-classe de pyspark.ml.wrapper.JavaTransformer et, comme les autres transfromers et estimateurs de pyspark.ml.feature, délègue le traitement réel à son équivalent Scala. Puisque vous souhaitez utiliser Python, vous devez étendre pyspark.ml.pipeline.Transformer directement.

import nltk

from pyspark import keyword_only  ## < 2.0 -> pyspark.ml.util.keyword_only
from pyspark.ml import Transformer
from pyspark.ml.param.shared import HasInputCol, HasOutputCol, Param, Params, TypeConverters
# Available in PySpark >= 2.3.0 
from pyspark.ml.util import DefaultParamsReadable, DefaultParamsWritable  
from pyspark.sql.functions import udf
from pyspark.sql.types import ArrayType, StringType

class NLTKWordPunctTokenizer(
        Transformer, HasInputCol, HasOutputCol,
        # Credits https://stackoverflow.com/a/52467470
        # by https://stackoverflow.com/users/234944/benjamin-manns
        DefaultParamsReadable, DefaultParamsWritable):

    stopwords = Param(Params._dummy(), "stopwords", "stopwords",
                      typeConverter=TypeConverters.toListString)


    @keyword_only
    def __init__(self, inputCol=None, outputCol=None, stopwords=None):
        super(NLTKWordPunctTokenizer, self).__init__()
        self.stopwords = Param(self, "stopwords", "")
        self._setDefault(stopwords=[])
        kwargs = self._input_kwargs
        self.setParams(**kwargs)

    @keyword_only
    def setParams(self, inputCol=None, outputCol=None, stopwords=None):
        kwargs = self._input_kwargs
        return self._set(**kwargs)

    def setStopwords(self, value):
        return self._set(stopwords=list(value))

    def getStopwords(self):
        return self.getOrDefault(self.stopwords)

    # Required in Spark >= 3.0
    def setInputCol(self, value):
        """
        Sets the value of :py:attr:`inputCol`.
        """
        return self._set(inputCol=value)

    # Required in Spark >= 3.0
    def setOutputCol(self, value):
        """
        Sets the value of :py:attr:`outputCol`.
        """
        return self._set(outputCol=value)

    def _transform(self, dataset):
        stopwords = set(self.getStopwords())

        def f(s):
            tokens = nltk.tokenize.wordpunct_tokenize(s)
            return [t for t in tokens if t.lower() not in stopwords]

        t = ArrayType(StringType())
        out_col = self.getOutputCol()
        in_col = dataset[self.getInputCol()]
        return dataset.withColumn(out_col, udf(f, t)(in_col))

Exemple d'utilisation (données de ML - Fonctionnalités ):

sentenceDataFrame = spark.createDataFrame([
  (0, "Hi I heard about Spark"),
  (0, "I wish Java could use case classes"),
  (1, "Logistic regression models are neat")
], ["label", "sentence"])

tokenizer = NLTKWordPunctTokenizer(
    inputCol="sentence", outputCol="words",  
    stopwords=nltk.corpus.stopwords.words('english'))

tokenizer.transform(sentenceDataFrame).show()

Pour une personnalisation Python Estimator voir Comment faire rouler un estimateur personnalisé dans PySpark mllib

⚠ Cette réponse dépend de l'API interne et est compatible avec Spark 2.0.3, 2.1.1, 2.2.0 ou version ultérieure ( SPARK-19348 ). Pour le code compatible avec les versions précédentes de Spark veuillez voir révision 8 .

34
zero323