ALINK(三十五)：特征工程（十四）类别特征编码（二）独热编码

独热编码训练 (OneHotTrainBatchOp)

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

Python 类名：OneHotTrainBatchOp

功能介绍

one-hot编码，也称独热编码，对于每一个特征，如果它有m个可能值，那么经过 独热编码后，就变成了m个二元特征。并且，这些特征互斥，每次只有一个激活。 因此，数据会变成稀疏的，输出结果也是kv的稀疏结构。

编码结果

输入

selectedCol0	selectedCol1
a	1
b	1
c	1
d	2
a	2
b	2
c	2
e	null
NULL	2

Encode ——> INDEX

预测结果为单个token的index，如0, 1, 2 ...

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, 如$5, $5$0:1.0或者NULL。
2. dropLast为false,向量中非零元个数必定为1, 只能是$5$0:1.0或者NULL。

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

distinct token Number: 训练集中指定列的去重后的token数目
dropLast: 预测参数
enableElse: 训练时若填写discreteThresholds或discreteThresholdsArray则为true，默认为false
handleInvalid: 预测参数

举例

输入列为selectedCol0

1. 如果没有填写discreteThresholds，那么enableElse为false，distinct token Number为(a,b,c,d,e)一共5个token
    1.1 dropLast为True
        1.1.1 handleInvalid为keep: vectorSize=(5 - 1 + 0 + 1 = 5)
        1.1.2 handleInvalid为skip: vectorSize=(5 - 1 + 0 + 0 = 4)
        1.1.3 handleInvalid为error: vectorSize=(5 - 1 + 0 + 0 = 4)
    1.2 dropLast为False
        1.1.1 handleInvalid为keep: vectorSize=(5 - 0 + 0 + 1 = 6)
        1.2.2 handleInvalid为skip: vectorSize=(5 - 0 + 0 + 0 = 5)
        1.2.3 handleInvalid为error: vectorSize=(5 - 0 + 0 + 0 = 5)
2. 如果discreteThresholds为2, 那么enableElse为true, distinct token Number为(a,b,c)一共3个token
    2.1 dropLast为True
        1.1.1 handleInvalid为keep: vectorSize=(3 - 1 + 1 + 1 = 4)
        1.1.2 handleInvalid为skip: vectorSize=(3 - 1 + 1 + 0 = 3)
        1.1.3 handleInvalid为error: vectorSize=(3 - 1 + 1 + 0 = 3)
    2.2 dropLast为False
        1.1.1 handleInvalid为keep: vectorSize=(3 - 0 + 1 + 1 = 5)
        1.2.2 handleInvalid为skip: vectorSize=(3 - 0 + 1 + 0 = 4)
        1.2.3 handleInvalid为error: vectorSize=(3 - 0 + 1 + 0 = 4)

Token index

Encode ——> Vector

1. 训练集中出现过的token: 预测值为模型中token对应的token_index,若 dropLast为true, token_index最大的值会被丢掉，预测结果为全零元
2. null: 
    2.1 handleInvalid为keep: 预测值为distinct token Number - dropLast(true: 1, false: 0)
    2.2 handleInvalid为skip: null
    2.3 handleInvalid为error: 报错
3. 训练集中未出现过的token: 
    3.1 enableElse为true
        3.1.1 handleInvalid为keep: 预测值为:distinct token Number - dropLast(true: 1, false: 0) + 1
        3.1.2 handleInvalid为skip: 预测值为:distinct token Number - dropLast(true: 1, false: 0)
        3.1.3 handleInvalid为error: 预测值为:distinct token Number - dropLast(true: 1, false: 0)
    3.2 enableElse为false
        3.2.1 handleInvalid为keep: 预测值为:distinct token Number - dropLast(true: 1, false: 0)
        3.2.2 handleInvalid为skip: null
        3.2.3 handleInvalid为error: 报错

举例

输入列为selectedCol0

1. 如果没有填写discreteThresholds
   假设模型中a,b,c,d,e对应的token index为0,1,2,3,4
   1.1 dropLast为True
   1.1.1 handleInvalid为keep

selectedCol0	Encode为INDEX的输出	Encode为VECTOR的输出
a	0	$5$0:1.0
b	1	$5$1:1.0
c	2	$5$2:1.0
d	3	$5$3:1.0
e	4 (Encode为IDNEX时,dropLast不起作用)	5 (最大的token index被drop了)
NULL	5	$5$4:1.0

 

1. 1.1.2 handleInvalid为skip: vectorSize=(5 - 1 + 0 + 0 = 4)

selectedCol0	Encode为INDEX的输出	Encode为VECTOR的输出
a	0	$4$0:1.0
b	1	$4$1:1.0
c	2	$4$2:1.0
d	3	$4$3:1.0
e	4 (Encode为IDNEX时,dropLast不起作用)	4 (最大的token index被drop了)
NULL	NULL	NULL

1.3 handleInvalid为error: 直接报错

1.2 dropLast为False
1.1.1 handleInvalid为keep

selectedCol0	Encode为INDEX的输出	Encode为VECTOR的输出
a	0	$6$0:1.0
b	1	$6$1:1.0
c	2	$6$2:1.0
d	3	$6$3:1.0
e	4 (Encode为IDNEX时,dropLast不起作用)	$6$4:1.0
NULL	5	$6$5:1.0

1.2.2 handleInvalid为skip

selectedCol0	Encode为INDEX的输出	Encode为VECTOR的输出
a	0	$5$0:1.0
b	1	$5$1:1.0
c	2	$5$2:1.0
d	3	$5$3:1.0
e	4 (Encode为IDNEX时,dropLast不起作用)	$5$4:1.0
NULL	NULL	NULL

1.2.3 handleInvalid为error: 直接报错

2. 如果discreteThresholds为2
   假设模型中a,b,c对应的token index为0,1,2
   2.1 dropLast为True
   1.1.1 handleInvalid为keep:

selectedCol0	Encode为INDEX的输出	Encode为VECTOR的输出
a	0	$4$0:1.0
b	1	$4$1:1.0
c	2	4 (最大的token index被drop了)
d	4	$4$3:1.0 (unknown token)
e	4	$4$3:1.0 (unknown token)
NULL	3	$4$2:1.0

2. 1.1.2 handleInvalid为skip:

selectedCol0	Encode为INDEX的输出	Encode为VECTOR的输出
a	0	$3$0:1.0
b	1	$3$1:1.0
c	2	3 (最大的token index被drop了)
d	3	$3$2:1.0 (unknown token)
e	3	$4$2:1.0 (unknown token)
NULL	NULL	NULL

1.1.3 handleInvalid为error: 直接报错

2. 2.2 dropLast为False
   1.1.1 handleInvalid为keep:

selectedCol0	Encode为INDEX的输出	Encode为VECTOR的输出
a	0	$5$0:1.0
b	1	$5$1:1.0
c	2	$5$2:1.0
d	4	$5$4:1.0 (unknown token)
e	4	$5$4:1.0 (unknown token)
NULL	3	$5$3:1.0

2. 1.2.2 handleInvalid为skip:

selectedCol0	Encode为INDEX的输出	Encode为VECTOR的输出
a	0	$4$0:1.0
b	1	$4$1:1.0
c	2	$4$2:1.0
d	3	$4$3:1.0 (unknown token)
e	3	$4$3:1.0 (unknown token)
NULL	NULL	NULL

2. 1.2.3 handleInvalid为error: 直接报错

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[]	✓
discreteThresholds	离散个数阈值	离散个数阈值，低于该阈值的离散样本将不会单独成一个组别。	Integer		-2147483648
discreteThresholdsArray	离散个数阈值	离散个数阈值，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],
    ["b", 1],
    ["c", 1],
    ["e", 2],
    ["a", 2],
    ["b", 1],
    ["c", 2],
    ["d", 2],
    [None, 1]
])
inOp = BatchOperator.fromDataframe(df, schemaStr='query string, weight long')
# one hot train
one_hot = OneHotTrainBatchOp().setSelectedCols(["query"])
model = inOp.link(one_hot)
model.lazyPrint(10)
# batch predict
predictor = OneHotPredictBatchOp().setOutputCols(["output"])
predictor.linkFrom(model, inOp).print()

Java 代码

import org.apache.flink.types.Row;
import com.alibaba.alink.operator.batch.BatchOperator;
import com.alibaba.alink.operator.batch.feature.OneHotPredictBatchOp;
import com.alibaba.alink.operator.batch.feature.OneHotTrainBatchOp;
import com.alibaba.alink.operator.batch.source.MemSourceBatchOp;
import org.junit.Test;
import java.util.Arrays;
import java.util.List;
public class OneHotTrainBatchOpTest {
    @Test
    public void testOneHotTrainBatchOp() throws Exception {
        List <Row> df = Arrays.asList(
            Row.of("a", 1),
            Row.of("b", 1),
            Row.of("c", 1),
            Row.of("e", 2),
            Row.of("a", 2),
            Row.of("b", 1),
            Row.of("c", 2),
            Row.of("d", 2),
            Row.of(null, 1)
        );
        BatchOperator <?> inOp = new MemSourceBatchOp(df, "query string, weight int");
        BatchOperator <?> one_hot = new OneHotTrainBatchOp().setSelectedCols("query");
        BatchOperator <?> model = inOp.link(one_hot);
        model.lazyPrint(10);
        BatchOperator <?> predictor = new OneHotPredictBatchOp().setOutputCols("output");
        predictor.linkFrom(model, inOp).print();
    }
}

运行结果

模型

column_index	token	token_index
-1	{"selectedCols":"["query"]","selectedColTypes":"["VARCHAR"]","enableElse":"false"}	null
0	a	0
0	b	1
0	c	2
0	d	3
0	e	4

预测

query	weight	output
a	1	$5$0:1.0
b	1	$5$1:1.0
c	1	$5$2:1.0
e	2	5
a	2	$5$0:1.0
b	1	$5$1:1.0
c	2	$5$2:1.0
d	2	$5$3:1.0
null	1	$5$4:1.0