Asamblează un vector

Ultimul pas din Pipeline este să combini toate coloanele care conțin caracteristicile noastre într-o singură coloană. Acest lucru trebuie făcut înainte de modelare, deoarece orice rutină de modelare din Spark se așteaptă ca datele să fie în această formă. Poți realiza acest lucru stocând fiecare valoare dintr-o coloană ca element al unui vector. Astfel, din perspectiva modelului, fiecare observație este un vector care conține toate informațiile despre aceasta, împreună cu o etichetă care indică valoarea corespunzătoare.

Din acest motiv, submodulul pyspark.ml.feature conține o clasă numită VectorAssembler. Acest Transformer preia toate coloanele pe care le specifici și le combină într-o nouă coloană de tip vector.