1. StringIndexer 做什么？
对每个输入列（可以是 string，也可以是数值类型），建立一个“值 → 索引”的字典：
- 相同输入值 → 相同输出索引
- 不同输入值 → 不同输出索引
- 输出索引范围：
[0, numDistinctValuesInThisColumn - 1]（通常是这样；文档写到numDistinctValuesInThisColumn，你可以以实际输出为准）
2. 输入列与输出列
输入列（Input Columns）
| 参数名 | 类型 | 默认值 | 说明 |
|---|---|---|---|
inputCols | Number / String | null | 需要索引化的列（可多列） |
输出列（Output Columns）
| 参数名 | 类型 | 默认值 | 说明 |
|---|---|---|---|
outputCols | Double | null | 输出的索引列（与 inputCols 一一对应） |
输出是 Double（示例里用 double 读取），工程上你也可以后续转成 Int/Long，或者直接交给 OneHotEncoder。
3. 参数详解
3.1 StringIndexerModel（训练后模型）必要参数
| Key | 默认值 | 必填 | 说明 |
|---|---|---|---|
inputCols | null | ✅ | 输入列名数组 |
outputCols | null | ✅ | 输出列名数组 |
handleInvalid | ERROR_INVALID | 否 | 遇到非法值如何处理 |
3.2 StringIndexer（训练器）额外参数
| Key | 默认值 | 说明 |
|---|---|---|
stringOrderType | ARBITRARY_ORDER | 每列如何给字符串排序，从而决定索引分配顺序 |
常见排序策略（示例用的是ALPHABET_ASC_ORDER）：
ARBITRARY_ORDER：任意顺序（可能不稳定，不利于可复现）ALPHABET_ASC_ORDER：按字典序升序（稳定、可解释，常用）
工程建议：如果你希望“训练结果可复现、线上线下一致、方便排查”，优先用稳定排序策略（如字典序）。
4. Java 示例：StringIndexer（多列）逐段解读
你贴的示例同时对两列做索引：
inputCol1：字符串 a/b/c/dinputCol2：数值 1.0 / 2.0 / 0.0 / -1.0（注意它依然会被当作“类别值”建字典）
4.1 训练数据（决定字典空间）
DataStream<Row>trainStream=env.fromElements(Row.of("a",1.0),Row.of("b",1.0),Row.of("b",2.0),Row.of("c",0.0),Row.of("d",2.0),Row.of("a",2.0),Row.of("b",2.0),Row.of("b",-1.0),Row.of("a",-1.0),Row.of("c",-1.0));TabletrainTable=tEnv.fromDataStream(trainStream).as("inputCol1","inputCol2");训练阶段会分别给两列建立映射表：
- 列1：{“a”,“b”,“c”,“d”} → index
- 列2：{-1.0,0.0,1.0,2.0} → index（按排序策略决定顺序）
4.2 预测数据（做 transform）
DataStream<Row>predictStream=env.fromElements(Row.of("a",2.0),Row.of("b",1.0),Row.of("c",2.0));TablepredictTable=tEnv.fromDataStream(predictStream).as("inputCol1","inputCol2");4.3 创建 StringIndexer 并训练/预测
StringIndexerstringIndexer=newStringIndexer().setStringOrderType(StringIndexerParams.ALPHABET_ASC_ORDER).setInputCols("inputCol1","inputCol2").setOutputCols("outputCol1","outputCol2");StringIndexerModelmodel=stringIndexer.fit(trainTable);TableoutputTable=model.transform(predictTable)[0];fit()：统计每列的 distinct 值并按排序策略生成索引映射transform()：把 predictTable 的两列分别转成两列 index
4.4 结果读取
inputValues[i]=row.getField(stringIndexer.getInputCols()[i]);outputValues[i]=(double)row.getField(stringIndexer.getOutputCols()[i]);输出会像：
- (“a”,2.0) → (indexA, index2)
- (“b”,1.0) → (indexB, index1)
- (“c”,2.0) → (indexC, index2)
5. IndexToStringModel：把索引还原回字符串（反操作）
在工程里，这个功能很常见：
- 线上推理输出 index，需要还原成真实标签用于展示/回写
- 调试时看 index 不直观，反解更好排查
IndexToStringModel 的关键点是：它需要 StringIndexer 的模型数据（modelData），也就是“索引 → 字符串”的数组。
你贴的示例是直接手工构造 modelData：
StringIndexerModelDatamodelData=newStringIndexerModelData(newString[][]{{"a","b","c","d"},{"-1.0","0.0","1.0","2.0"}});TablemodelTable=tEnv.fromDataStream(env.fromElements(modelData)).as("stringArrays");然后对输入索引 (0,3) / (1,2) 做 transform：
IndexToStringModelindexToStringModel=newIndexToStringModel().setInputCols("inputCol1","inputCol2").setOutputCols("outputCol1","outputCol2").setModelData(modelTable);最终输出：把 index 还原成字符串数组里对应的值。
6. 实战组合：StringIndexer + OneHotEncoder（最常见）
典型链路：
- StringIndexer：
city -> cityIndex - OneHotEncoder：
cityIndex -> cityOneHot - VectorAssembler：拼接数值特征 + 类别 one-hot
- LogisticRegression / LinearSVC 等训练
StringIndexer 输出 index 列通常直接喂给 OneHotEncoder，省事且标准。
7. 注意事项（容易踩坑）
1）排序策略会影响索引稳定性
- 用
ARBITRARY_ORDER可能每次训练 index 都不同（尤其分布式/并行场景） - 建议用稳定顺序（如字典序），或至少在版本迭代时固化字典
2）线上遇到新类别怎么处理？
如果预测数据出现训练集中没见过的值：
ERROR_INVALID：直接失败SKIP_INVALID：跳过该行（可能导致样本缺失）
工程上更常见做法：
- 维护“特征字典”并定期增量更新
- 或引入“unknown bucket”（如果组件支持），否则至少要监控 invalid 比例
3）数值列是否该用 StringIndexer？
如果这列本质是“连续数值”（例如金额、时长），不要用 StringIndexer。
StringIndexer 适用于“数值但代表类别”的场景（例如等级 1/2/3、状态码 -1/0/1 等）。
8. 小结
- StringIndexer：把 string/类别数值 → index（支持多列）
stringOrderType决定索引分配顺序（建议稳定策略）handleInvalid决定遇到新类别/非法值怎么处理- IndexToStringModel：把 index → string（用于还原/展示/调试）
- 最常见下游：OneHotEncoder
