三种特征选择方法及Spark MLlib调用实例（Scala/Java/python）

来源：http://blog.csdn.net/liulingyuan6/article/details/53413728

VectorSlicer

算法介绍：

        VectorSlicer是一个转换器输入特征向量，输出原始特征向量子集。VectorSlicer接收带有特定索引的向量列，通过对这些索引的值进行筛选得到新的向量集。可接受如下两种索引

1.整数索引，setIndices()。

2.字符串索引代表向量中特征的名字，此类要求向量列有AttributeGroup，因为该工具根据Attribute来匹配名字字段。

指定整数或者字符串类型都是可以的。另外，同时使用整数索引和字符串名字也是可以的。不允许使用重复的特征，所以所选的索引或者名字必须是没有独一的。注意如果使用名字特征，当遇到空值的时候将会报错。

    输出将会首先按照所选的数字索引排序（按输入顺序），其次按名字排序（按输入顺序）。

示例：
假设我们有一个DataFrame含有userFeatures列：

userFeatures

------------------

 [0.0, 10.0, 0.5]

userFeatures是一个向量列包含3个用户特征。假设userFeatures的第一列全为0，我们希望删除它并且只选择后两项。我们可以通过索引setIndices(1,2)来选择后两项并产生一个新的features列：

userFeatures     | features

------------------|-----------------------------

 [0.0, 10.0, 0.5] | [10.0, 0.5]

假设我们还有如同["f1","f2", "f3"]的属性，那可以通过名字setNames("f2","f3")的形式来选择：

userFeatures     | features

------------------|-----------------------------

 [0.0, 10.0, 0.5] | [10.0, 0.5]

 ["f1", "f2","f3"] | ["f2", "f3"]

调用示例：

Scala：

[plain] view
plain copy

import java.util.Arrays  

  

import org.apache.spark.ml.attribute.{Attribute, AttributeGroup, NumericAttribute}  

import org.apache.spark.ml.feature.VectorSlicer  

import org.apache.spark.ml.linalg.Vectors  

import org.apache.spark.sql.Row  

import org.apache.spark.sql.types.StructType  

  

val data = Arrays.asList(Row(Vectors.dense(-2.0, 2.3, 0.0)))  

  

val defaultAttr = NumericAttribute.defaultAttr  

val attrs = Array("f1", "f2", "f3").map(defaultAttr.withName)  

val attrGroup = new AttributeGroup("userFeatures", attrs.asInstanceOf[Array[Attribute]])  

  

val dataset = spark.createDataFrame(data, StructType(Array(attrGroup.toStructField())))  

  

val slicer = new VectorSlicer().setInputCol("userFeatures").setOutputCol("features")  

  

slicer.setIndices(Array(1)).setNames(Array("f3"))  

// or slicer.setIndices(Array(1, 2)), or slicer.setNames(Array("f2", "f3"))  

  

val output = slicer.transform(dataset)  

println(output.select("userFeatures", "features").first())  

Java：

[java] view
plain copy

import java.util.List;  

  

import com.google.common.collect.Lists;  

  

import org.apache.spark.ml.attribute.Attribute;  

import org.apache.spark.ml.attribute.AttributeGroup;  

import org.apache.spark.ml.attribute.NumericAttribute;  

import org.apache.spark.ml.feature.VectorSlicer;  

import org.apache.spark.ml.linalg.Vectors;  

import org.apache.spark.sql.Dataset;  

import org.apache.spark.sql.Row;  

import org.apache.spark.sql.RowFactory;  

import org.apache.spark.sql.types.*;  

  

Attribute[] attrs = new Attribute[]{  

  NumericAttribute.defaultAttr().withName("f1"),  

  NumericAttribute.defaultAttr().withName("f2"),  

  NumericAttribute.defaultAttr().withName("f3")  

};  

AttributeGroup group = new AttributeGroup("userFeatures", attrs);  

  

List<Row> data = Lists.newArrayList(  

  RowFactory.create(Vectors.sparse(3, new int[]{0, 1}, new double[]{-2.0, 2.3})),  

  RowFactory.create(Vectors.dense(-2.0, 2.3, 0.0))  

);  

  

Dataset<Row> dataset =  

  spark.createDataFrame(data, (new StructType()).add(group.toStructField()));  

  

VectorSlicer vectorSlicer = new VectorSlicer()  

  .setInputCol("userFeatures").setOutputCol("features");  

  

vectorSlicer.setIndices(new int[]{1}).setNames(new String[]{"f3"});  

// or slicer.setIndices(new int[]{1, 2}), or slicer.setNames(new String[]{"f2", "f3"})  

  

Dataset<Row> output = vectorSlicer.transform(dataset);  

  

System.out.println(output.select("userFeatures", "features").first());  

Python：

[python] view
plain copy

from pyspark.ml.feature import VectorSlicer  

from pyspark.ml.linalg import Vectors  

from pyspark.sql.types import Row  

  

df = spark.createDataFrame([  

    Row(userFeatures=Vectors.sparse(3, {0: -2.0, 1: 2.3}),),  

    Row(userFeatures=Vectors.dense([-2.0, 2.3, 0.0]),)])  

  

slicer = VectorSlicer(inputCol="userFeatures", outputCol="features", indices=[1])  

  

output = slicer.transform(df)  

  

output.select("userFeatures", "features").show()  

RFormula

算法介绍：

       RFormula通过R模型公式来选择列。支持R操作中的部分操作，包括‘~’,
‘.’, ‘:’, ‘+’以及‘-‘，基本操作如下：

1. ~分隔目标和对象

2. +合并对象，“+ 0”意味着删除空格

3. :交互（数值相乘，类别二值化）

4. . 除了目标外的全部列

假设a和b为两列：

1. y ~ a + b表示模型y ~ w0 + w1 * a +w2 * b其中w0为截距，w1和w2为相关系数。

2. y ~a + b + a:b – 1表示模型y ~ w1* a + w2 * b + w3 * a * b，其中w1，w2，w3是相关系数。

RFormula产生一个向量特征列以及一个double或者字符串标签列。如果类别列是字符串类型，它将通过StringIndexer转换为double类型。如果标签列不存在，则输出中将通过规定的响应变量创造一个标签列。

示例：

假设我们有一个DataFrame含有id,country, hour和clicked四列：

id | country |hour | clicked

---|---------|------|---------

 7 | "US"    | 18  | 1.0

 8 | "CA"    | 12  | 0.0

 9 | "NZ"    | 15  | 0.0

如果我们使用RFormula公式clicked ~ country+ hour，则表明我们希望基于country和hour预测clicked，通过转换我们可以得到如下DataFrame：

id | country |hour | clicked | features         | label

---|---------|------|---------|------------------|-------

 7 | "US"    | 18  | 1.0     | [0.0, 0.0, 18.0] | 1.0

 8 | "CA"    | 12  | 0.0     | [0.0, 1.0, 12.0] | 0.0

 9 | "NZ"    | 15  | 0.0     | [1.0, 0.0, 15.0] | 0.0

调用示例：

Scala：

[plain] view
plain copy

import org.apache.spark.ml.feature.RFormula  

  

val dataset = spark.createDataFrame(Seq(  

  (7, "US", 18, 1.0),  

  (8, "CA", 12, 0.0),  

  (9, "NZ", 15, 0.0)  

)).toDF("id", "country", "hour", "clicked")  

val formula = new RFormula()  

  .setFormula("clicked ~ country + hour")  

  .setFeaturesCol("features")  

  .setLabelCol("label")  

val output = formula.fit(dataset).transform(dataset)  

output.select("features", "label").show()  

Java：

[java] view
plain copy

import java.util.Arrays;  

import java.util.List;  

  

import org.apache.spark.ml.feature.RFormula;  

import org.apache.spark.sql.Dataset;  

import org.apache.spark.sql.Row;  

import org.apache.spark.sql.RowFactory;  

import org.apache.spark.sql.types.StructField;  

import org.apache.spark.sql.types.StructType;  

  

import static org.apache.spark.sql.types.DataTypes.*;  

  

StructType schema = createStructType(new StructField[]{  

  createStructField("id", IntegerType, false),  

  createStructField("country", StringType, false),  

  createStructField("hour", IntegerType, false),  

  createStructField("clicked", DoubleType, false)  

});  

  

List<Row> data = Arrays.asList(  

  RowFactory.create(7, "US", 18, 1.0),  

  RowFactory.create(8, "CA", 12, 0.0),  

  RowFactory.create(9, "NZ", 15, 0.0)  

);  

  

Dataset<Row> dataset = spark.createDataFrame(data, schema);  

RFormula formula = new RFormula()  

  .setFormula("clicked ~ country + hour")  

  .setFeaturesCol("features")  

  .setLabelCol("label");  

Dataset<Row> output = formula.fit(dataset).transform(dataset);  

output.select("features", "label").show();  

Python：

[python] view
plain copy

from pyspark.ml.feature import RFormula  

  

dataset = spark.createDataFrame(  

    [(7, "US", 18, 1.0),  

     (8, "CA", 12, 0.0),  

     (9, "NZ", 15, 0.0)],  

    ["id", "country", "hour", "clicked"])  

formula = RFormula(  

    formula="clicked ~ country + hour",  

    featuresCol="features",  

    labelCol="label")  

output = formula.fit(dataset).transform(dataset)  

output.select("features", "label").show()  

ChiSqSelector

算法介绍：

       ChiSqSelector代表卡方特征选择。它适用于带有类别特征的标签数据。ChiSqSelector根据类别的独立卡方2检验来对特征排序，然后选取类别标签主要依赖的特征。它类似于选取最有预测能力的特征。

示例：

假设我们有一个DataFrame含有id,features和clicked三列，其中clicked为需要预测的目标：

id | features              | clicked

---|-----------------------|---------

 7 | [0.0, 0.0, 18.0, 1.0] | 1.0

 8 | [0.0, 1.0, 12.0, 0.0] | 0.0

 9 | [1.0, 0.0, 15.0, 0.1] | 0.0

如果我们使用ChiSqSelector并设置numTopFeatures为1，根据标签clicked，features中最后一列将会是最有用特征：

id | features              | clicked | selectedFeatures

---|-----------------------|---------|------------------

 7 | [0.0, 0.0, 18.0, 1.0] | 1.0     | [1.0]

 8 | [0.0, 1.0, 12.0, 0.0] | 0.0     | [0.0]

 9 | [1.0, 0.0, 15.0, 0.1] | 0.0     | [0.1]

调用示例：

Scala：

[plain] view
plain copy

import org.apache.spark.ml.feature.ChiSqSelector  

import org.apache.spark.ml.linalg.Vectors  

  

val data = Seq(  

  (7, Vectors.dense(0.0, 0.0, 18.0, 1.0), 1.0),  

  (8, Vectors.dense(0.0, 1.0, 12.0, 0.0), 0.0),  

  (9, Vectors.dense(1.0, 0.0, 15.0, 0.1), 0.0)  

)  

  

val df = spark.createDataset(data).toDF("id", "features", "clicked")  

  

val selector = new ChiSqSelector()  

  .setNumTopFeatures(1)  

  .setFeaturesCol("features")  

  .setLabelCol("clicked")  

  .setOutputCol("selectedFeatures")  

  

val result = selector.fit(df).transform(df)  

result.show()  

Java：

[java] view
plain copy

import java.util.Arrays;  

import java.util.List;  

  

import org.apache.spark.ml.feature.ChiSqSelector;  

import org.apache.spark.ml.linalg.VectorUDT;  

import org.apache.spark.ml.linalg.Vectors;  

import org.apache.spark.sql.Row;  

import org.apache.spark.sql.RowFactory;  

import org.apache.spark.sql.types.DataTypes;  

import org.apache.spark.sql.types.Metadata;  

import org.apache.spark.sql.types.StructField;  

import org.apache.spark.sql.types.StructType;  

  

List<Row> data = Arrays.asList(  

  RowFactory.create(7, Vectors.dense(0.0, 0.0, 18.0, 1.0), 1.0),  

  RowFactory.create(8, Vectors.dense(0.0, 1.0, 12.0, 0.0), 0.0),  

  RowFactory.create(9, Vectors.dense(1.0, 0.0, 15.0, 0.1), 0.0)  

);  

StructType schema = new StructType(new StructField[]{  

  new StructField("id", DataTypes.IntegerType, false, Metadata.empty()),  

  new StructField("features", new VectorUDT(), false, Metadata.empty()),  

  new StructField("clicked", DataTypes.DoubleType, false, Metadata.empty())  

});  

  

Dataset<Row> df = spark.createDataFrame(data, schema);  

  

ChiSqSelector selector = new ChiSqSelector()  

  .setNumTopFeatures(1)  

  .setFeaturesCol("features")  

  .setLabelCol("clicked")  

  .setOutputCol("selectedFeatures");  

  

Dataset<Row> result = selector.fit(df).transform(df);  

result.show();  

Python：

[python] view
plain copy

from pyspark.ml.feature import ChiSqSelector  

from pyspark.ml.linalg import Vectors  

  

df = spark.createDataFrame([  

    (7, Vectors.dense([0.0, 0.0, 18.0, 1.0]), 1.0,),  

    (8, Vectors.dense([0.0, 1.0, 12.0, 0.0]), 0.0,),  

    (9, Vectors.dense([1.0, 0.0, 15.0, 0.1]), 0.0,)], ["id", "features", "clicked"])  

  

selector = ChiSqSelector(numTopFeatures=1, featuresCol="features",  

                         outputCol="selectedFeatures", labelCol="clicked")  

  

result = selector.fit(df).transform(df)  

result.show()