我有以下数据帧
+--------------+---------------+
| SrcAddr| DstAddr|
+--------------+---------------+
| 192.168.100.5| 192.168.220.16|
| 192.168.100.5| 192.168.220.15|
|192.168.220.15| 192.168.100.5|
|192.168.220.16| 192.168.100.5|
| 192.168.100.5| 192.168.220.15|
|192.168.220.16| 192.168.100.5|
| 192.168.220.9| 192.168.100.5|
| 192.168.100.5| 192.168.220.9|
| 192.168.220.9| 192.168.100.5|
+--------------+---------------+
包含源地址和目标地址IP。 我想用StringIndexer在数值索引中转换它们,但是我想学习列之间的一个公共映射。在
不幸的是,StringIndexer并没有在PySpark中提供如此丰富的接口。因此,我找到了一个解决办法,但我想知道是否有更好的方法。在
我所做的是:
首先,我计算两列之间的并集
然后,我在新创建的DataFrame上学习了一个通用的StringIndexer:
addrIndexer = StringIndexer(inputCol="Addr", outputCol="AddrIdx")
addrModel = addrIndexer.fit(all_addr_df)
最后,我使用学习到的模型来转换原始数据帧。这是一个棘手的部分,因为我需要经常重命名列以获得所需的结果:
df = addrModel.transform(df.withColumnRenamed("SrcAddr", "Addr")).withColumnRenamed("Addr", "SrcAddr").withColumnRenamed("AddrIdx", "SrcAddrIdx")
df = addrModel.transform(df.withColumnRenamed("DstAddr", "Addr")).withColumnRenamed("Addr", "DstAddr").withColumnRenamed("AddrIdx", "DstAddrIdx")
因此,我想知道是否有可能更改StringIndexer的InputCol值,这将创建一个可读性很强的代码
谨致问候, 桑德罗
目前没有回答
相关问题 更多 >
编程相关推荐