特征选取--卡方选择器

特征选择（Feature Selection）指的是在特征向量中选择出那些“优秀”的特征，组成新的、更“精简”的特征向量的过程。它在

高维数据分析中十分常用，可以剔除掉“冗余”和“无关”的特征，提升学习器的性能。

特征选择方法和分类方法一样，也主要分为有监督（Supervised）和无监督（Unsupervised）两种，卡方选择则是统计学上常用的一

种有监督特征选择方法，它通过对特征和真实标签之间进行卡方检验，来判断该特征和真实标签的关联程度，进而确定是否对其进行

选择。和ML库中的大多数学习方法一样，ML中的卡方选择也是以estimator+transformer的形式出现的，其主要由ChiSqSelector和

ChiSqSelectorModel两个类来实现。

#引入卡方选择器所需要使用的类

from pyspark.ml.feature import ChiSqSelector

from pyspark.ml.linalg import Vectors

from pyspark.sql import SparkSession

#创建SparkSession对象，配置spark

spark = SparkSession.builder.master('local').appName('FeaturesSecectedDemo').getOrCreate()

#创造实验数据，这是一个具有三个样本，四个特征维度的数据集，标签有1，0两种

df = spark.createDataFrame([

(7, Vectors.dense([0.0, 0.0, 18.0, 1.0]), 1.0,),

(8, Vectors.dense([0.0, 1.0, 12.0, 0.0]), 0.0,),

(9, Vectors.dense([1.0, 0.0, 15.0, 0.1]), 0.0,)],

["id", "features", "clicked"])

#用卡方选择进行特征选择器的训练，为了观察地更明显，我们设置只选择和标签关联性最强的一个特征可以通过numTopFeatures参数方法进行设置）

selector = ChiSqSelector(numTopFeatures=1, featuresCol="features",

outputCol="selectedFeatures", labelCol="clicked")

#用训练出的模型对原数据集进行处理

result = selector.fit(df).transform(df)

result.show()