当前位置:网站首页>pyspark---low frequency feature processing
pyspark---low frequency feature processing
2022-08-03 07:40:00 【WGS.】
Low frequency features appear less frequently,I can't learn well either,Better to give bothdefault,integrated learning.
Take a feature as an example:Use for low frequenciesdefault
代替,default
Participate in coding and training,A new value was encountered while evaluating,也可以用default
来填充,This solves the problem of poor low-frequency characterization and cold start.
tmpd = [{
'model': 'AVA', 'city': '苏州', 'y': 0}, {
'model': 'AVA', 'city': '苏州', 'y': 0},
{
'model': 'TNY', 'city': '青岛', 'y': 0}, {
'model': 'AVA', 'city': '青岛', 'y': 0},
{
'model': 'TNY', 'city': '青岛', 'y': 0}, {
'model': 'TNY', 'city': '青岛', 'y': 0},
{
'model': 'TNY', 'city': '青岛', 'y': 0}, {
'model': 'AVA', 'city': '上海', 'y': 0},
{
'model': 'Mi', 'city': '上海', 'y': 0}, {
'model': 'Mi', 'city': '上海', 'y': 0},
{
'model': 'Mi', 'city': '上海', 'y': 0}, {
'model': 'fla', 'city': '北京', 'y': 0}, ]
tmpd = ss.createDataFrame(tmpd)
tmpd.show()
+----+-----+---+
|city|model| y|
+----+-----+---+
|苏州| AVA| 0|
|苏州| AVA| 0|
|青岛| TNY| 0|
|青岛| AVA| 0|
|青岛| TNY| 0|
|青岛| TNY| 0|
|青岛| TNY| 0|
|上海| AVA| 0|
|上海| Mi| 0|
|上海| Mi| 0|
|上海| Mi| 0|
|北京| fla| 0|
+----+-----+---+
- demo示例:The number of records will be less than3 & The eigenvalues that do not have a click are given
default
def row_count2(row):
uid, y = row[0], row[1]
clicks = sum(y)
lens = len(y)
pvs = lens - clicks
return uid, pvs, clicks, lens
''' low frequency processing '''
def low_frequency(df):
low_enc_dict = {
'city': 3, 'model': 3}
for c in low_enc_dict.keys():
dfpg = df.groupby(c).agg(fn.collect_list('y').alias('y')).rdd.map(row_count2).toDF(schema=[c, 'pvs', 'clicks', 'lens'])
# print(dfpg.count())
# dfpg.orderBy(['lens', 'clicks'], ascending=[0, 0]).show(10)
# dfpg.orderBy(['lens', 'clicks'], ascending=[1, 1]).show(50)
# dfpg.filter(dfpg['lens'] <= low_enc_dict[c]).filter(dfpg['clicks'] == 0).select('lens').agg({'lens': 'sum'}).show()
lowlst = []
tlst = dfpg.filter(dfpg['lens'] <= low_enc_dict[c]).filter(dfpg['clicks'] == 0).select(c).collect()
for row in tlst:
lowlst.append(row[0])
df = df.withColumn(c, fn.udf(lambda x: 'default' if x in lowlst else x)(fn.col(c)))
# print(c, len(lowlst), df.filter(df[c] == 'default').count())
return df
tmpd = low_frequency(df=tmpd)
tmpd.show()
+-------+-------+---+
| city| model| y|
+-------+-------+---+
|default| AVA| 0|
|default| AVA| 0|
| 青岛| TNY| 0|
| 青岛| AVA| 0|
| 青岛| TNY| 0|
| 青岛| TNY| 0|
| 青岛| TNY| 0|
| 上海| AVA| 0|
| 上海|default| 0|
| 上海|default| 0|
| 上海|default| 0|
|default|default| 0|
+-------+-------+---+
边栏推荐
- 现货黄金分析的主要流派
- mongodb的shell脚本
- 商业智能BI业务分析思维:供应链分析 – 如何控制牛鞭效应(二)
- drop database出现1010
- 第一章:ARM公司Cortex-M 系列处理器介绍,第二章:嵌入式软件开发介绍和第三章:Cortex-M3和Cortex-M4处理器的一般介绍
- STL迭代器
- 请求与响应:响应
- 2022年 SQL 优化大全总结详解
- El - tree set using setCheckedNodessetCheckedKeys default check nodes, and a new check through setChecked specified node
- 调用feign报错openfeign/feign-core/10.4.0/feign-core-10.4.0.jar
猜你喜欢
随机推荐
Shell脚本之一键安装mysql
boot - SSE
PHP 获取服务器信息
volatile
深入理解IO流(第一篇)
IEEE RAL投初稿
HCIP笔记整理 2022/7/18
数据仓库指标体系实践
【图像去噪】基于matlab稀疏表示KSVD图像去噪【含Matlab源码 2016期】
Week5
(十四)51单片机——LCD1602实现滚动效果
2022年 SQL 优化大全总结详解
【着色器实现Glow可控局部发光效果_Shader效果第十三篇】
【云原生--Kubernetes】Pod重启策略
word之图表目录中点号位置提升3磅
VR全景市场拓展技巧之“拓客宝典”
STL-vector容器
【云原生--Kubernetes】kubectl命令详解
《多线程案例》阻塞队列、定时器、线程池、饿汉与懒汉模式
Nanny level explains Transformer