ALINK(二十三)：特征工程（二）特征离散化（二）分位数离散化（QuantileDiscretizerPredictBatchOp/QuantileDiscretizerTrainBatchOp）

分位数离散化训练 (QuantileDiscretizerTrainBatchOp)

Java 类名：com.alibaba.alink.operator.batch.feature.QuantileDiscretizerTrainBatchOp

Python 类名：QuantileDiscretizerTrainBatchOp

功能介绍

分位点离散可以计算选定列的分位点，然后使用这些分位点进行离散化。

生成选中列对应的q-quantile，其中可以所有列指定一个，也可以每一列对应一个

编码结果

Encode ——> INDEX

预测结果为单个token的index

Encode ——> VECTOR

预测结果为稀疏向量:

1. dropLast为true,向量中非零元个数为0或者1
2. dropLast为false,向量中非零元个数必定为1

Encode ——> ASSEMBLED_VECTOR

预测结果为稀疏向量,是预测选择列中,各列预测为VECTOR时,按照选择顺序ASSEMBLE的结果。

向量维度

Encode ——> Vector

vectorSize = numBuckets - dropLast(true: 1, false: 0) + (handleInvalid: keep(1), skip(0), error(0))

numBuckets: 训练参数
dropLast: 预测参数
handleInvalid: 预测参数

Token index

Encode ——> Vector

1. 正常数据: 唯一的非零元为数据所在的bucket,若 dropLast为true, 最大的bucket的值会被丢掉，预测结果为全零元
2. null: 
    2.1 handleInvalid为keep: 唯一的非零元为:numBuckets - dropLast(true: 1, false: 0)
    2.2 handleInvalid为skip: null
    2.3 handleInvalid为error: 报错

参数说明

名称	中文名称	描述	类型	是否必须？	默认值
selectedCols	选择的列名	计算列对应的列名列表	String[]	✓
leftOpen	是否左开右闭	左开右闭为true，左闭右开为false	Boolean		true
numBuckets	quantile个数	quantile个数，对所有列有效。	Integer		2
numBucketsArray	quantile个数	quantile个数，每一列对应数组中一个元素。	Integer[]		null

代码示例

Python 代码

from pyalink.alink import *
import pandas as pd
useLocalEnv(1)
df = pd.DataFrame([
    ["a", 1, 1, 2.0, True],
    ["c", 1, 2, -3.0, True],
    ["a", 2, 2, 2.0, False],
    ["c", 0, 0, 0.0, False]
])
batchSource = BatchOperator.fromDataframe(
    df, schemaStr='f_string string, f_long long, f_int int, f_double double, f_boolean boolean')
streamSource = StreamOperator.fromDataframe(
    df, schemaStr='f_string string, f_long long, f_int int, f_double double, f_boolean boolean')
trainOp = QuantileDiscretizerTrainBatchOp()\
    .setSelectedCols(['f_double'])\
    .setNumBuckets(8)\
    .linkFrom(batchSource)
predictBatchOp = QuantileDiscretizerPredictBatchOp()\
    .setSelectedCols(['f_double'])
predictStreamOp = QuantileDiscretizerPredictStreamOp(trainOp)\
    .setSelectedCols(['f_double'])
predictBatchOp.linkFrom(trainOp, batchSource).print()
predictStreamOp.linkFrom(streamSource) .print()
StreamOperator.execute()

Java 代码

import org.apache.flink.types.Row;
import com.alibaba.alink.operator.batch.BatchOperator;
import com.alibaba.alink.operator.batch.feature.QuantileDiscretizerPredictBatchOp;
import com.alibaba.alink.operator.batch.feature.QuantileDiscretizerTrainBatchOp;
import com.alibaba.alink.operator.batch.source.MemSourceBatchOp;
import com.alibaba.alink.operator.stream.StreamOperator;
import com.alibaba.alink.operator.stream.feature.QuantileDiscretizerPredictStreamOp;
import com.alibaba.alink.operator.stream.source.MemSourceStreamOp;
import org.junit.Test;
import java.util.Arrays;
import java.util.List;
public class QuantileDiscretizerTrainBatchOpTest {
  @Test
  public void testQuantileDiscretizerTrainBatchOp() throws Exception {
    List <Row> df = Arrays.asList(
      Row.of("a", 1, 1, 2.0, true),
      Row.of("c", 1, 2, -3.0, true),
      Row.of("a", 2, 2, 2.0, false),
      Row.of("c", 0, 0, 0.0, false)
    );
    BatchOperator <?> batchSource = new MemSourceBatchOp(df,
      "f_string string, f_long int, f_int int, f_double double, f_boolean boolean");
    StreamOperator <?> streamSource = new MemSourceStreamOp(df,
      "f_string string, f_long int, f_int int, f_double double, f_boolean boolean");
    BatchOperator <?> trainOp = new QuantileDiscretizerTrainBatchOp()
      .setSelectedCols("f_double")
      .setNumBuckets(8)
      .linkFrom(batchSource);
    BatchOperator <?> predictBatchOp = new QuantileDiscretizerPredictBatchOp()
      .setSelectedCols("f_double");
    predictBatchOp.linkFrom(trainOp, batchSource).print();
    StreamOperator <?> predictStreamOp = new QuantileDiscretizerPredictStreamOp(trainOp)
      .setSelectedCols("f_double");
    predictStreamOp.linkFrom(streamSource).print();
    StreamOperator.execute();
  }

运行结果

f_string	f_long	f_int	f_double	f_boolean
a	1	1	2	true
c	1	2	0	true
a	2	2	2	false
c	0	0	1	false

 

 

 

 

 

 

 

 

 

 

 

 

 

分位数离散化预测 (QuantileDiscretizerPredictBatchOp)

Java 类名：com.alibaba.alink.operator.batch.feature.QuantileDiscretizerPredictBatchOp

Python 类名：QuantileDiscretizerPredictBatchOp

功能介绍

分位点离散可以计算选定列的分位点，然后使用这些分位点进行离散化。

生成选中列对应的q-quantile，其中可以所有列指定一个，也可以每一列对应一个

编码结果

Encode ——> INDEX

预测结果为单个token的index

Encode ——> VECTOR

预测结果为稀疏向量:

1. dropLast为true,向量中非零元个数为0或者1
2. dropLast为false,向量中非零元个数必定为1

Encode ——> ASSEMBLED_VECTOR

预测结果为稀疏向量,是预测选择列中,各列预测为VECTOR时,按照选择顺序ASSEMBLE的结果。

向量维度

Encode ——> Vector

vectorSize = numBuckets - dropLast(true: 1, false: 0) + (handleInvalid: keep(1), skip(0), error(0))

numBuckets: 训练参数
dropLast: 预测参数
handleInvalid: 预测参数

Token index

Encode ——> Vector

1. 正常数据: 唯一的非零元为数据所在的bucket,若 dropLast为true, 最大的bucket的值会被丢掉，预测结果为全零元
2. null: 
    2.1 handleInvalid为keep: 唯一的非零元为:numBuckets - dropLast(true: 1, false: 0)
    2.2 handleInvalid为skip: null
    2.3 handleInvalid为error: 报错

参数说明

名称	中文名称	描述	类型	是否必须？	默认值
selectedCols	选择的列名	计算列对应的列名列表	String[]	✓
dropLast	是否删除最后一个元素	删除最后一个元素是为了保证线性无关性。默认true	Boolean		true
encode	编码方法	编码方法	String		"INDEX"
handleInvalid	未知token处理策略	未知token处理策略。"keep"表示用最大id加1代替, "skip"表示补null， "error"表示抛异常	String		"KEEP"
outputCols	输出结果列列名数组	输出结果列列名数组，可选，默认null	String[]		null
reservedCols	算法保留列名	算法保留列	String[]		null
numThreads	组件多线程线程个数	组件多线程线程个数	Integer		1
modelStreamFilePath	模型流的文件路径	模型流的文件路径	String		null
modelStreamScanInterval	扫描模型路径的时间间隔	描模型路径的时间间隔，单位秒	Integer		10
modelStreamStartTime	模型流的起始时间	模型流的起始时间。默认从当前时刻开始读。使用yyyy-mm-dd hh:mm:ss.fffffffff格式，详见Timestamp.valueOf(String s)	String		null

代码示例

Python 代码

from pyalink.alink import *
import pandas as pd
useLocalEnv(1)
df = pd.DataFrame([
    ["a", 1, 1, 2.0, True],
    ["c", 1, 2, -3.0, True],
    ["a", 2, 2, 2.0, False],
    ["c", 0, 0, 0.0, False]
])
batchSource = BatchOperator.fromDataframe(
    df, schemaStr='f_string string, f_long long, f_int int, f_double double, f_boolean boolean')
streamSource = StreamOperator.fromDataframe(
    df, schemaStr='f_string string, f_long long, f_int int, f_double double, f_boolean boolean')
trainOp = QuantileDiscretizerTrainBatchOp()\
    .setSelectedCols(['f_double'])\
    .setNumBuckets(8)\
    .linkFrom(batchSource)
predictBatchOp = QuantileDiscretizerPredictBatchOp()\
    .setSelectedCols(['f_double'])
predictStreamOp = QuantileDiscretizerPredictStreamOp(trainOp)\
    .setSelectedCols(['f_double'])
predictBatchOp.linkFrom(trainOp, batchSource).print()
predictStreamOp.linkFrom(streamSource) .print()
StreamOperator.execute()

Java 代码

import org.apache.flink.types.Row;
import com.alibaba.alink.operator.batch.BatchOperator;
import com.alibaba.alink.operator.batch.feature.QuantileDiscretizerPredictBatchOp;
import com.alibaba.alink.operator.batch.feature.QuantileDiscretizerTrainBatchOp;
import com.alibaba.alink.operator.batch.source.MemSourceBatchOp;
import com.alibaba.alink.operator.stream.StreamOperator;
import com.alibaba.alink.operator.stream.feature.QuantileDiscretizerPredictStreamOp;
import com.alibaba.alink.operator.stream.source.MemSourceStreamOp;
import org.junit.Test;
import java.util.Arrays;
import java.util.List;
public class QuantileDiscretizerPredictBatchOpTest {
  @Test
  public void testQuantileDiscretizerPredictBatchOp() throws Exception {
    List <Row> df = Arrays.asList(
      Row.of("a", 1, 1, 2.0, true),
      Row.of("c", 1, 2, -3.0, true),
      Row.of("a", 2, 2, 2.0, false),
      Row.of("c", 0, 0, 0.0, false)
    );
    BatchOperator <?> batchSource = new MemSourceBatchOp(df,
      "f_string string, f_long int, f_int int, f_double double, f_boolean boolean");
    StreamOperator <?> streamSource = new MemSourceStreamOp(df,
      "f_string string, f_long int, f_int int, f_double double, f_boolean boolean");
    BatchOperator <?> trainOp = new QuantileDiscretizerTrainBatchOp()
      .setSelectedCols("f_double")
      .setNumBuckets(8)
      .linkFrom(batchSource);
    BatchOperator <?> predictBatchOp = new QuantileDiscretizerPredictBatchOp()
      .setSelectedCols("f_double");
    predictBatchOp.linkFrom(trainOp, batchSource).print();
    StreamOperator <?> predictStreamOp = new QuantileDiscretizerPredictStreamOp(trainOp)
      .setSelectedCols("f_double");
    predictStreamOp.linkFrom(streamSource).print();
    StreamOperator.execute();
  }
}

 

运行结果

f_string	f_long	f_int	f_double	f_boolean
a	1	1	2	true
c	1	2	0	true
a	2	2	2	false
c	0	0	1	false