Spark MLlib机器学习开发指南(7)--特征转换--Tokenizer

翻译自Tokenizer,基于最新2.2.0版本翻译,转载注明出处 xcrossed 机器学习

Tokenizer

Tokenization（这个可以翻译成标记，或者分词）是一个接受文本（通常是句子）输入，然后切分成词汇（通常是单词）。Tokenizer类可以提供这个功能。下面的示例展示了将句子切分成单词序列。

RegexTokenizer（可以翻译成正则化分词器或者正则化标记）基于正则表达式匹配提供了更多高级的分词功能。默认情况下，使用空格作为分隔符来分陋输入的文本。或者，用户可以将gaps参数设置为false,表明使用正则表达式匹配标记，而不是使用分隔符，并找到所有匹配到标记结果。

详细API参考Tokenizer Scala docs和RegexTokenizer Scala docs

Examples

import org.apache.spark.ml.feature.{RegexTokenizer, Tokenizer}
import org.apache.spark.sql.functions._

val sentenceDataFrame = spark.createDataFrame(Seq(
  (0, "Hi I heard about Spark"),
  (1, "I wish Java could use case classes"),
  (2, "Logistic,regression,models,are,neat")
)).toDF("id", "sentence")

val tokenizer = new Tokenizer().setInputCol("sentence").setOutputCol("words")
val regexTokenizer = new RegexTokenizer()
  .setInputCol("sentence")
  .setOutputCol("words")
  .setPattern("\\W") // alternatively .setPattern("\\w+").setGaps(false)

val countTokens = udf { (words: Seq[String]) => words.length }

val tokenized = tokenizer.transform(sentenceDataFrame)
tokenized.select("sentence", "words")
    .withColumn("tokens", countTokens(col("words"))).show(false)

val regexTokenized = regexTokenizer.transform(sentenceDataFrame)
regexTokenized.select("sentence", "words")
    .withColumn("tokens", countTokens(col("words"))).show(false)

完整代码在spark仓库的examples/src/main/scala/org/apache/spark/examples/ml/TokenizerExample.scala位置