ALINK(二十四)：特征工程（三）特征离散化（三）分桶 (BucketizerBatchOp)

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

Python 类名：BucketizerBatchOp

功能介绍

给定切分点，将连续变量分桶，可支持单列输入或多列输入，对应需要给出单列切分点或者多列切分点。

每列切分点需要严格递增，且至少有三个点。

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[]	✓
cutsArray	多列的切分点	多列的切分点	double[][]
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"
leftOpen	是否左开右闭	左开右闭为true，左闭右开为false	Boolean		true
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([
    [1.1, True, "2", "A"],
    [1.1, False, "2", "B"],
    [1.1, True, "1", "B"],
    [2.2, True, "1", "A"]
])
inOp1 = BatchOperator.fromDataframe(df, schemaStr='double double, bool boolean, number int, str string')
inOp2 = StreamOperator.fromDataframe(df, schemaStr='double double, bool boolean, number int, str string')
bucketizer = BucketizerBatchOp().setSelectedCols(["double"]).setCutsArray([[2.0]])
bucketizer.linkFrom(inOp1).print()
bucketizer = BucketizerStreamOp().setSelectedCols(["double"]).setCutsArray([[2.0]])
bucketizer.linkFrom(inOp2).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.BucketizerBatchOp;
import com.alibaba.alink.operator.batch.source.MemSourceBatchOp;
import com.alibaba.alink.operator.stream.StreamOperator;
import com.alibaba.alink.operator.stream.feature.BucketizerStreamOp;
import com.alibaba.alink.operator.stream.source.MemSourceStreamOp;
import org.junit.Test;
import java.util.Arrays;
import java.util.List;
public class BucketizerBatchOpTest {
  @Test
  public void testBucketizerBatchOp() throws Exception {
    List <Row> df = Arrays.asList(
      Row.of(1.1, true, 2, "A"),
      Row.of(1.1, false, 2, "B"),
      Row.of(1.1, true, 1, "B"),
      Row.of(2.2, true, 1, "A")
    );
    BatchOperator <?> inOp1 = new MemSourceBatchOp(df, "double double, bool boolean, number int, str string");
    StreamOperator <?> inOp2 = new MemSourceStreamOp(df, "double double, bool boolean, number int, str string");
    BatchOperator <?> bucketizer = new BucketizerBatchOp().setSelectedCols("double").setCutsArray(
      new double[] {2.0});
    bucketizer.linkFrom(inOp1).print();
    StreamOperator <?> bucketizer2 = new BucketizerStreamOp().setSelectedCols("double").setCutsArray(
      new double[] {2.0});
    bucketizer2.linkFrom(inOp2).print();
    StreamOperator.execute();
  }
}

运行结果

输出数据

double	bool	number	str
0	true	2	A
0	false	2	B
0	true	1	B
1	true	1	A