PySpark：组合两个 VectorAssemblers 的输出

问题描述

使用 pyspark，我创建了两个 VectorAssembler，第一个具有多个数字列（'colA'、'colB'、'colC'），第二个具有多个分类列（'colD'、'colE'、I在每一列上应用 OneHotEncoder）。

我可以单独创建这些 VectorAssembler。如何将输出组合成单个向量列（以便我可以将其输入 Xgboost 模型）？

我尝试了以下方法，但得到了“TypeError: can only concatenate str (not “list”) to str”

# my dataframe with all columns is df

# VectorAssembler 1: with 3 numeric columns 
numeric_cols = ['colA','colB','colC']
assembler = VectorAssembler(
    inputCols= numeric_cols,outputCol="numericFeatures"
)


# VectorAssembler 2: with 2 categorical columns
categ_cols = ['colD','colE']
indexers = [
    StringIndexer(inputCol=c,outputCol="{0}_indexed".format(c))
    for c in categ_cols
]
encoders = [
    OneHotEncoder(
        inputCol=indexer.getoutputCol(),outputCol="{0}_encoded".format(indexer.getoutputCol())) 
    for indexer in indexers
]
assemblerCateg = VectorAssembler(
    inputCols = [encoder.getoutputCol() for encoder in encoders],outputCol = "categFeatures"
)


pipeline = Pipeline(stages = [assembler] + indexers + encoders + [assemblerCateg])
df2 = pipeline.fit(df).transform(df)

解决方法

解决了！只需在管道之前使用另一个 VectorAssembler（最后）：

assemblerAll = VectorAssembler(inputCols= ["numericFeatures","categFeatures"],outputCol="allFeatures")
pipeline = Pipeline(stages = [assembler] + indexers + encoders + [assemblerCateg] + [assemblerAll])