RegexTokenizer

pyspark.ml.feature。 RegexTokenizer ( *,minTokenLength:int=1,差距:bool=真正的,模式:str=' \ \ s + ',inputCol:可選(str]=沒有一個,outputCol:可選(str]=沒有一個,toLowercase:bool=真正的 )

一個基於正則表達式的編譯器,提取標記通過使用提供的正則表達式模式(在Java方言)將文本(默認)或多次匹配正則表達式(如果差距是假的)。也可選參數允許過濾令牌使用了一個最小長度。它返回一個字符串數組,可以是空的。

例子

> > >df=火花createDataFrame(((“A B c”),(“文本”])> > >reTokenizer=RegexTokenizer()> > >reTokenizersetInputCol(“文本”)RegexTokenizer……> > >reTokenizersetOutputCol(“單詞”)RegexTokenizer……> > >reTokenizer變換(df)()行(文本= A B c,話說= [A, B ' c '])> > >#改變一個參數。> > >reTokenizersetparam(outputCol=“令牌”)變換(df)()行(文本= ' A B c’,令牌= [A, B ' c '])> > >#暫時修改一個參數。> > >reTokenizer變換(df,{reTokenizeroutputCol:“單詞”})()行(文本= A B c,話說= [A, B ' c '])> > >reTokenizer變換(df)()行(文本= ' A B c’,令牌= [A, B ' c '])> > >#必須使用關鍵字參數來指定參數。> > >reTokenizersetparam(“文本”)回溯(最近的電話):TypeError:關鍵字參數方法setparam力量。> > >regexTokenizerPath=temp_path+“/ regex-tokenizer”> > >reTokenizer保存(regexTokenizerPath)> > >loadedReTokenizer=RegexTokenizer負載(regexTokenizerPath)> > >loadedReTokenizergetMinTokenLength()= =reTokenizergetMinTokenLength()真正的> > >loadedReTokenizergetGaps()= =reTokenizergetGaps()真正的> > >loadedReTokenizer變換(df)(1)= =reTokenizer變換(df)(1)真正的

方法

清晰的(參數)

清除參數映射的參數是否被顯式地設置。

複製((額外的))

創建這個實例的副本具有相同uid和一些額外的參數。

explainParam(參數)

解釋一個參數並返回它的名字,醫生,和可選的默認值,用戶提供的字符串值。

explainParams()

返回文檔的所有參數選擇默認值和用戶提供的值。

extractParamMap((額外的))

提取嵌入默認參數值和用戶提供的值,然後合並他們額外的值從輸入平麵參數映射,後者使用價值如果存在衝突,即。排序:默認參數值< <額外的用戶提供的值。

getGaps()

獲得的價值差距或其默認值。

getInputCol()

得到的價值inputCol或其默認值。

getMinTokenLength()

得到的價值minTokenLength或其默認值。

getOrDefault(參數)

得到參數的值在用戶提供的參數映射或其默認值。

getOutputCol()

得到的價值outputCol或其默認值。

getParam(paramName)

通過它的名稱參數。

getPattern()

獲得的價值模式或其默認值。

getToLowercase()

得到的價值toLowercase或其默認值。

hasDefault(參數)

檢查是否一個參數有默認值。

hasParam(paramName)

測試這個實例包含一個參數是否與給定名稱(字符串)。

isDefined(參數)

檢查參數是否由用戶或顯式地設置一個默認值。

收取(參數)

檢查參數是否由用戶顯式地設置。

負載(路徑)

從輸入路徑,讀取一個毫升實例的快捷方式read () .load(路徑)

()

返回一個MLReader這個類的實例。

保存(路徑)

這個毫升實例保存到給定的路徑,一個快捷方式的“寫().save(路徑)。

(參數值)

設置一個參數嵌入參數映射。

setGaps(值)

設置的值差距

setInputCol(值)

設置的值inputCol

setMinTokenLength(值)

設置的值minTokenLength

setOutputCol(值)

設置的值outputCol

setparam(自我\ * (minTokenLength,差距,…))

為這個RegexTokenizer設置參數。

setPattern(值)

設置的值模式

setToLowercase(值)

設置的值toLowercase

變換(數據集[params))

與可選參數轉換的輸入數據集。

()

返回一個MLWriter實例毫升實例。

屬性

差距

inputCol

minTokenLength

outputCol

參數個數

返回所有參數命令的名字。

模式

toLowercase

方法的文檔

清晰的 ( 參數:pyspark.ml.param.Param )→沒有

清除參數映射的參數是否被顯式地設置。

複製 ( 額外的:可選(ParamMap]=沒有一個 )→摩根大通

創建這個實例的副本具有相同uid和一些額外的參數。這個實現第一次調用參數。複製and then make a copy of the companion Java pipeline component with extra params. So both the Python wrapper and the Java pipeline component get copied.

參數
額外的 東西,可選

額外參數複製到新實例

返回
JavaParams

這個實例的副本

explainParam ( 參數:聯盟(str,pyspark.ml.param.Param] )→str

解釋一個參數並返回它的名字,醫生,和可選的默認值,用戶提供的字符串值。

explainParams ( )→str

返回文檔的所有參數選擇默認值和用戶提供的值。

extractParamMap ( 額外的:可選(ParamMap]=沒有一個 )→ParamMap

提取嵌入默認參數值和用戶提供的值,然後合並他們額外的值從輸入平麵參數映射,後者使用價值如果存在衝突,即。排序:默認參數值< <額外的用戶提供的值。

參數
額外的 東西,可選

額外的參數值

返回
dict

合並後的參數映射

getGaps ( )→bool

獲得的價值差距或其默認值。

getInputCol ( )→str

得到的價值inputCol或其默認值。

getMinTokenLength ( )→int

得到的價值minTokenLength或其默認值。

getOrDefault ( 參數:聯盟(str,pyspark.ml.param.Param(T]] )→聯盟(任何,T]

得到參數的值在用戶提供的參數映射或其默認值。如果沒有設置提出了一個錯誤。

getOutputCol ( )→str

得到的價值outputCol或其默認值。

getParam ( paramName:str )pyspark.ml.param.Param

通過它的名稱參數。

getPattern ( )→str

獲得的價值模式或其默認值。

getToLowercase ( )→bool

得到的價值toLowercase或其默認值。

hasDefault ( 參數:聯盟(str,pyspark.ml.param.Param(任何]] )→bool

檢查是否一個參數有默認值。

hasParam ( paramName:str )→bool

測試這個實例包含一個參數是否與給定名稱(字符串)。

isDefined ( 參數:聯盟(str,pyspark.ml.param.Param(任何]] )→bool

檢查參數是否由用戶或顯式地設置一個默認值。

收取 ( 參數:聯盟(str,pyspark.ml.param.Param(任何]] )→bool

檢查參數是否由用戶顯式地設置。

classmethod 負載 ( 路徑:str )→RL

從輸入路徑,讀取一個毫升實例的快捷方式read () .load(路徑)

classmethod ( )→pyspark.ml.util.JavaMLReader(RL]

返回一個MLReader這個類的實例。

保存 ( 路徑:str )→沒有

這個毫升實例保存到給定的路徑,一個快捷方式的“寫().save(路徑)。

( 參數:pyspark.ml.param.Param,價值:任何 )→沒有

設置一個參數嵌入參數映射。

setGaps ( 價值:bool )pyspark.ml.feature.RegexTokenizer

設置的值差距

setInputCol ( 價值:str )pyspark.ml.feature.RegexTokenizer

設置的值inputCol

setMinTokenLength ( 價值:int )pyspark.ml.feature.RegexTokenizer

設置的值minTokenLength

setOutputCol ( 價值:str )pyspark.ml.feature.RegexTokenizer

設置的值outputCol

setparam ( 自我,\ *,minTokenLength = 1,差距= True,模式= " \ s + ",inputCol =沒有,outputCol =沒有,toLowercase = True )

為這個RegexTokenizer設置參數。

setPattern ( 價值:str )pyspark.ml.feature.RegexTokenizer

設置的值模式

setToLowercase ( 價值:bool )pyspark.ml.feature.RegexTokenizer

設置的值toLowercase

變換 ( 數據集:pyspark.sql.dataframe.DataFrame,參數個數:可選(ParamMap]=沒有一個 )→pyspark.sql.dataframe.DataFrame

與可選參數轉換的輸入數據集。

參數
數據集 pyspark.sql.DataFrame

輸入數據集

參數個數 東西,可選

一個可選的參數覆蓋嵌入參數的地圖。

返回
pyspark.sql.DataFrame

改變了數據集

( )→pyspark.ml.util.JavaMLWriter

返回一個MLWriter實例毫升實例。

屬性的文檔

差距 :pyspark.ml.param.Param(保齡球) =參數(父母=‘定義’,name =“缺口”,醫生=“正則表達式是否分裂差距(真正的)或匹配標記(False)”)
inputCol =參數(父母=‘定義’,name = ' inputCol ', doc =輸入列名稱。)
minTokenLength :pyspark.ml.param.Param (int) =參數(父母=‘定義’,name = ' minTokenLength ', doc =“最小標記長度(> = 0)')
outputCol =參數(父母=‘定義’,name = ' outputCol ', doc =輸出列名稱。)
參數個數

返回所有參數命令的名字。默認實現使用dir ()所有的屬性類型參數

模式 :pyspark.ml.param.Param (str) =參數(父母=‘定義’,name =“模式”,醫生= (Java方言)使用的正則表達式模式的分詞)
toLowercase :pyspark.ml.param.Param(保齡球) =參數(父母=‘定義’,name = ' toLowercase ', doc =”是否將所有字符轉換為小寫在分詞)