1. VectorAssembler 做什么？
给定一组输入列inputCols（每列类型必须是数值或Vector），把它们按顺序组合成一个新向量列outputCol：
输入可以混合：
- 单个数值列（Number）
- DenseVector / SparseVector（Vector）
输出是一个 Vector（通常是稠密或稀疏表示，取决于内部实现与输入组合）
典型用途：
StringIndexer -> OneHotEncoder -> VectorAssembler -> LogisticRegression数值特征 + one-hot 稀疏特征 + embedding 向量 -> VectorAssembler -> 模型
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 / Vector | null | 待拼接的列（可多列） |
输出列（Output Columns）
| 参数名 | 类型 | 默认值 | 说明 |
|---|---|---|---|
outputCol | Vector | "output" | 拼接后的向量列 |
3. 参数详解（Parameters）
| Key | 默认值 | 必填 | 说明 |
|---|---|---|---|
inputCols | null | ✅ | 输入列名数组（顺序很重要） |
outputCol | "output" | 否 | 输出列名 |
handleInvalid | ERROR_INVALID | 否 | 遇到非法值如何处理（如空值/类型不对等） |
工程建议：
inputCols的顺序决定最终向量的维度排列，一旦上线最好固定，否则训练/预测会对不上。
4. Java 示例逐段解读
示例里把三列拼成一列：
vec：DenseVector(2.1, 3.1)（长度 2）num：数值 1.0（长度 1）sparseVec：SparseVector(size=5, …)（长度 5）
最终拼出来的向量长度应该是：2 + 1 + 5 = 8
4.1 输入数据
DataStream<Row>inputStream=env.fromElements(Row.of(Vectors.dense(2.1,3.1),1.0,Vectors.sparse(5,newint[]{3},newdouble[]{1.0})),Row.of(Vectors.dense(2.1,3.1),1.0,Vectors.sparse(5,newint[]{4,2,3,1},newdouble[]{4.0,2.0,3.0,1.0})));TableinputTable=tEnv.fromDataStream(inputStream).as("vec","num","sparseVec");这里sparseVec的 size=5，意味着它代表长度为 5 的向量，只不过用稀疏方式存储非零位置。
4.2 创建 VectorAssembler
VectorAssemblervectorAssembler=newVectorAssembler().setInputCols("vec","num","sparseVec").setOutputCol("assembledVec");拼接顺序就是：vec在前，num在中间，sparseVec在最后。
最终向量的 layout 可以理解为：
assembledVec = [ vec(2 dims) | num(1 dim) | sparseVec(5 dims) ]4.3 transform 并读取输出
TableoutputTable=vectorAssembler.transform(inputTable)[0];VectoroutputValue=(Vector)row.getField(vectorAssembler.getOutputCol());System.out.printf("... Output Value: %s\n",outputValue);输出 Value 会是一个 Vector（可能打印成 dense 或 sparse），内容会把三列的信息组合到同一个向量里。
5. 实战注意点（很关键）
1）OneHotEncoder 输出通常是 SparseVector，Assembler 非常适配
这也是最常见链路：
- StringIndexer：
city -> cityIndex - OneHotEncoder：
cityIndex -> cityVec (SparseVector) - VectorAssembler：
[数值列, cityVec, 其它Vec] -> features - LogisticRegression：
features -> prediction
2）数值列不要忘记类型一致性
你的示例里num是 Double（1.0）。实际表里可能是 INT/LONG/FLOAT，建议统一成 Double 或确保能被识别为 Number。
3）维度稳定性是上线生命线
如果你在训练时inputCols=["age","cityVec","deviceVec"]，上线推理千万不要换成["cityVec","age","deviceVec"]，否则模型输入维度语义全错。
4）handleInvalid 的选择
- 离线训练：可以
ERROR_INVALID让问题暴露 - 线上：更倾向“先做清洗”，或者用能跳过/替代的策略（如果支持），避免任务被脏数据打挂
6. 小结
VectorAssembler 是 Flink ML 里把“多列特征形态”统一成features向量列的关键组件：
- 支持 Number + Vector 混合拼接
inputCols顺序决定最终向量维度布局- 常用于把 one-hot、embedding、数值特征拼成一个 features 列喂给模型
