问题描述
我正在尝试通过 SparkNLP 对文本数据执行主题建模和情感分析。我已经完成了对数据集的所有预处理步骤，但在 LDA 中出现错误。
程序是：
from pyspark.ml import Pipeline
from pyspark.ml.feature import StopWordsRemover,CountVectorizer,IDF
from pyspark.ml.clustering import LDA
from pyspark.sql.functions import col,lit,concat,regexp_replace
from pyspark.sql.utils import AnalysisException
from pyspark.ml.feature import Tokenizer,RegexTokenizer
from pyspark.sql.functions import col,udf
from pyspark.sql.types import IntegerType
from pyspark.ml.clustering import LDA
from pyspark.ml.feature import StopWordsRemover
from pyspark.ml.feature import normalizer
from pyspark.ml.linalg import Vectors
dataframe_new = spark.read.format('com.databricks.spark.csv') \
.options(header='true',inferschema='true') \
.load('/home/cdh@psnet.com/Gourav/chap3/abcnews-date-text.csv')
get_tokenizers = Tokenizer(inputCol="headline_text",outputCol="get_tokens")
get_tokenized = get_tokenizers.transform(dataframe_new)
remover = StopWordsRemover(inputCol="get_tokens",outputCol="row")
get_remover = remover.transform(get_tokenized)
counter_vectorized = CountVectorizer(inputCol="row",outputCol="get_features")
getmodel = counter_vectorized.fit(get_remover)
get_result = getmodel.transform(get_remover)
idf_function = IDF(inputCol="get_features",outputCol="get_idf_feature")
train_model = idf_function.fit(get_result)
outcome = train_model.transform(get_result)
lda = LDA(k=10,maxIter=10)
model = lda.fit(outcome)
IDF 之后的 DataFrame 架构：
解决方法
根据documentation，LDA包含一个featuresCol参数，默认值为featuresCol='features'，即保存实际特征的列名；根据您显示的架构，您的数据框中不存在这样的列，因此出现预期错误。
不清楚哪一列包含您的数据框中的特征 - get_features 或 get_idf_feature（它们在您展示的示例中看起来相同）；假设它是 get_idf_feature，您应该将 LDA 调用更改为：
lda = LDA(featuresCol='get_idf_feature',k=10,maxIter=10)
Spark（包括 pyspark）ML API 具有与 scikit-learn 和类似框架截然不同的逻辑；区别之一确实是功能必须全部位于相应数据帧的单个列中。有关该想法的一般演示，请参阅 KMeans clustering in PySpark 中的自己的答案（它是关于 K-Means，但逻辑是相同的）。