从Spark（pyspark）的管道中的StringIndexer阶段获取标签

Question

我正在使用Spark，pyspark并且已经pipeline设置了一堆StringIndexer对象，用于将字符串列编码为索引列：

indexers = [StringIndexer(inputCol=column, outputCol=column + '_index').setHandleInvalid('skip')
            for column in list(set(data_frame.columns) - ignore_columns)]
pipeline = Pipeline(stages=indexers)
new_data_frame = pipeline.fit(data_frame).transform(data_frame)

问题是，StringIndexer安装好每个对象后，我需要获取它们的标签列表。对于单列和StringIndexer没有管道的单列来说，这是一件容易的事。我可以labels在将索引器安装到上之后访问属性DataFrame：

indexer = StringIndexer(inputCol="name", outputCol="name_index")
indexer_fitted = indexer.fit(data_frame)
labels = indexer_fitted.labels
new_data_frame = indexer_fitted.transform(data_frame)

但是，当我使用管道时，这似乎是不可能的，或者至少我不知道该怎么做。

所以我想我的问题归结为：有没有一种方法可以访问在索引过程中为每个单独的列使用的标签？

还是在这个用例中我必须放弃管道，例如循环遍历StringIndexer对象列表并手动执行？（我肯定这是可能的。但是使用管道会更好一些）

Answer 1

示例数据和Pipeline：

from pyspark.ml.feature import StringIndexer, StringIndexerModel

df = spark.createDataFrame([("a", "foo"), ("b", "bar")], ("x1", "x2"))

pipeline = Pipeline(stages=[
    StringIndexer(inputCol=c, outputCol='{}_index'.format(c))
    for c in df.columns
])

model = pipeline.fit(df)

摘自stages：

# Accessing _java_obj shouldn't be necessary in Spark 2.3+
{x._java_obj.getOutputCol(): x.labels 
for x in model.stages if isinstance(x, StringIndexerModel)}



{'x1_index': ['a', 'b'], 'x2_index': ['foo', 'bar']}

从转换后的元数据DataFrame：

indexed = model.transform(df)

{c.name: c.metadata["ml_attr"]["vals"]
for c in indexed.schema.fields if c.name.endswith("_index")}



{'x1_index': ['a', 'b'], 'x2_index': ['foo', 'bar']}