使用Spark ML进行数据分析

Spark版本：2.4.0
语言：Scala
任务：分类

这里对数据的处理步骤如下：

1. 载入数据
2. 归一化
3. PCA降维
4. 划分训练/测试集
5. 线性SVM分类
6. 验证精度
7. 输出cvs格式的结果

前言

从Spark 2.0开始，Spark机器学习API是基于DataFrame的spark.ml。而之前的基于RDD的API spark.mllib已进入维护模式。
也就是说，Spark ML是Spark MLlib的一种新的API，它主要有以下几个优点：

• 面向DataFrame，在RDD基础上进一步封装，提供更强大更方便的API
• Pipeline功能，便于实现复杂的机器学习模型
• 性能提升

基于Pipeline的Spark ML中的几个概念：

• DataFrame：从Spark SQL 的引用的概念，表示一个数据集，它可以容纳多种数据类型。例如可以存储文本，特征向量，标签和预测值等
• Transformer：是可以将一个DataFrame变换成另一个DataFrame的算法。例如，一个训练好的模型是一个Transformer，通过transform方法，将原始DataFrame转化为一个包含预测值的DataFrame
• Estimator：是一个算法，接受一个DataFrame，产生一个Transformer。例如，一个学习算法（如PCA,SVM）是一个Estimator，通过fit方法，训练DataFrame并产生模型Transformer
• Pipeline： Pipeline将多个Transformers和Estimators连接起来组合成一个机器学习工作流程
• Parameter：用于对Transformers和Estimators指定参数的统一接口

本次实验使用的是Spark ML的API

首先要创建SparkSession

// 创建SparkSession
val spark = SparkSession
  .builder
  .appName("LinearSVCExample")
  .master("local")
  .getOrCreate()

数据处理步骤

1 载入数据

数据载入的方式有多种，这里使用libsvm格式的数据作为数据源，libsvm格式常被用来存储稀疏的矩阵数据，它每一行的格式如下：

label index1:value1 index2:value2 ...

第一个值是标签，后面是由“列号:值”组成键值对，只需要记录非0项即可。

数据加载使用load方法完成：

// 加载训练数据，生成DataFrame
val data = spark.read.format("libsvm").load("data/sample_libsvm_data.txt")

2 归一化

作为数据预处理的第一步，需要对原始数据做归一化处理，即把原始数据的每一维减去其平均值，再除以其标准差，使得数据总体分布为以0为中心，且标准差为1。

// 归一化
val scaler = new StandardScaler()
   .setInputCol("features")
   .setOutputCol("scaledFeatures")
   .setWithMean(true)
   .setWithStd(true)
   .fit(data)

val scaleddata = scaler.transform(data).select("label", "scaledFeatures").toDF("label","features")

3 PCA降维

有时数据的维数可能很大，直接进行分类不仅计算量很大，而且对数据量的要求也很高，常常会出现过拟合。因此需要进行降维，常用的是主成分分析(PCA)算法。

// 创建PCA模型，生成Transformer
val pca = new PCA()
  .setInputCol("features")
  .setOutputCol("pcaFeatures")
  .setK(5)
  .fit(scaleddata)

//  transform数据，生成主成分特征
val pcaResult = pca.transform(scaleddata).select("label","pcaFeatures").toDF("label","features")

4 划分训练/测试集

经过降维的数据就可以拿来训练分类器了，但是在此之前要将数据划分为训练集和测试集，分类器只能在训练集上进行训练，在测试集上验证其分类精度。Spark提供了很方便的接口，按给定的比例随机划分训练/测试集。

// 将经过主成分分析的数据，按比例划分为训练数据和测试数据
val Array(trainingData, testData) = pcaResult.randomSplit(Array(0.7, 0.3), seed = 20)

5 线性SVM分类

这一步构建线性SVM模型，设置最大迭代次数和正则化项的系数，使用训练集进行训练。

// 创建SVC分类器(Estimator)
val lsvc = new LinearSVC()
  .setMaxIter(10)
  .setRegParam(0.1)

// 训练分类器，生成模型(Transformer)
val lsvcModel = lsvc.fit(trainingData)

6 验证精度

将训练好的分类器作用于测试集上，获得分类结果。

分类结果的好坏有很多种衡量的方法，如查准率、查全率等，这里我们使用最简单的一种衡量标准——精度，即正确分类的样本数占总样本数的比值。

// 用训练好的模型，验证测试数据
val res = lsvcModel.transform(testData).select("prediction","label")

// 计算精度
val evaluator = new MulticlassClassificationEvaluator()
  .setLabelCol("label")
  .setPredictionCol("prediction")
  .setMetricName("accuracy")
val accuracy = evaluator.evaluate(res)

println(s"Accuracy = ${accuracy}")

7 输出cvs格式的结果

Spark的DataFrame类型支持导出多种格式，这里以常用的csv格式为例。

这里输出的目的是为了使用Python进行可视化，在降维后进行，可以直观的看出降维后的数据是否明显可分。

使用VectorAssembler，将标签与特征合并为一列，再进行输出。

（这里是将合并后的列转换为String再输出的，因此输出的csv文件是带有引号和括号的，至于为什么要这样输出，请看第二部分）

// 将标签与主成分合成为一列
val assembler = new VectorAssembler()
  .setInputCols(Array("label","features"))
  .setOutputCol("assemble")
val output = assembler.transform(pcaResult)

// 输出csv格式的标签和主成分，便于可视化
val ass = output.select(output("assemble").cast("string"))
ass.write.mode("overwrite").csv("output.csv")

当然也可以用同样的方法输出训练/预测的结果，这里就不再详细介绍。

遇到的问题

完成这个简单的分类实验，花了我两天多的时间，从配置环境到熟悉API，再到遇见各种奇怪的问题……这里我都把他们记录下来，供以后参考。

1 配置环境

起初，我想通过在本机编写代码，然后访问安装在虚拟机中的Spark节点（单节点）这种方式进行实验的（不是提交jar包然后执行spark-submit），也就在是创建SparkSession时，指定虚拟机中的Spark：

val spark = SparkSession
  .builder
  .appName("LinearSVCExample")
  .master("spark://192.168.1.128:7077") // 虚拟机IP
  .getOrCreate()

然而，这样并没有成功。遇到的问题有：

• 拒绝连接
• Spark的worker里可以查看到提交的任务，但是一直处于等待状态，没有响应。并且提示：
  WARN TaskSchedulerImpl: Initial job has not accepted any resources; check your cluster UI to ensure that workers are registered and have sufficient resources（实际上，内存和CPU是够的）
• 报错RuntimeException: java.io.EOFException......

在尝试过各种方案都没有解决问题之后，我放弃了，最后还是在本机中安装Spark，在local模式下运行。（如果有同学成功实现上面的访问方法，欢迎留言告诉我~）

至于如何在本机（Windows）安装Spark，百度搜索即可

2 导出CSV格式的数据

将DataFrame导出为cvs格式的时候，遇到了这个问题：
java.lang.UnsupportedOperationException: CSV data source does not support struct,values:array> data type.

而我要导出的DataFrame只是一个多行数组而已啊：

根据StackOverflow上面的提问，Spark的csv导出不支持复杂结构，array都不行。

然后有人给了一种办法，把数组转化为String，就可以导出了。

但是导出的结果是这样的：

需要进一步处理。

所以还不如手动实现导出csv文件，或者你有更好的办法，欢迎留言告诉我，非常感谢~

3 PCA维数限制

当我想跑一个10万维度的数据时，程序运行到PCA报错：
java.lang.IllegalArgumentException: Argument with more than 65535 cols: 109600

原来，Spark ML的PCA不支持超过65535维的数据。参见源码

4 SVM核

翻阅了Spark ML文档，只找到Linear Support Vector Machine，即线性核的支持向量机。对于高斯核和其他非线性的核，Spark ML貌似还没有实现。

5 withColumn操作

起初我认为对数据进行降维前，需要把DataFrame中的标签label与特征feature分开，然后对feature进行降维，再使用withColumn方法，把label与降维后的feature组合成新的DataFrame。

发现这样既不可行也没有必要。

首先，withColumn只能添加当前DataFrame的数据（对DataFrame某一列进行一些操作，再添加到这个DataFrame本身），不能把来自于不同DataFrame的Column添加到当前DataFrame中。

其次，PCA降维时，只需指定InputCoulum作为特征列，指定OutputColumn作为输出列，其他列的存在并不影响PCA的执行，PCA也不会改变它们，在新生成的DataFrame中依然会保留原来所有Column，并且添加上降维后的数据Column，后面再使用select方法选择出所需的Column即可。

完整代码（Pipeline版）

import org.apache.log4j.{Level, Logger}
import org.apache.spark.ml.Pipeline
import org.apache.spark.ml.feature._
import org.apache.spark.ml.evaluation.{BinaryClassificationEvaluator, MulticlassClassificationEvaluator}
import org.apache.spark.ml.feature.PCA
import org.apache.spark.ml.classification.LinearSVC
import org.apache.spark.sql.SparkSession

object Hello {
  def main(args: Array[String]) {
    System.setProperty("hadoop.home.dir", "D:\\hadoop-2.8.3")
    //  屏蔽日志
    Logger.getLogger("org.apache.spark").setLevel(Level.WARN)
    Logger.getLogger("org.eclipse.jetty.server").setLevel(Level.OFF)

    // 创建sparkSession
    val spark = SparkSession
      .builder
      .appName("LinearSVCExample")
      .master("local")
      .getOrCreate()

    // 加载训练数据，生成DataFrame
    val data = spark.read.format("libsvm").load("data/sample_libsvm_data.txt")

    println(data.count())

    // 归一化
    val scaler = new StandardScaler()
      .setInputCol("features")
      .setOutputCol("scaledFeatures")
      .setWithMean(true)
      .setWithStd(true)
      .fit(data)

    val scaleddata = scaler.transform(data).select("label", "scaledFeatures").toDF("label","features")

    // 创建PCA模型，生成Transformer
    val pca = new PCA()
      .setInputCol("features")
      .setOutputCol("pcaFeatures")
      .setK(5)
      .fit(scaleddata)

    //  transform 数据，生成主成分特征
    val pcaResult = pca.transform(scaleddata).select("label","pcaFeatures").toDF("label","features")

    //  pcaResult.show(truncate=false)

    // 将标签与主成分合成为一列
    val assembler = new VectorAssembler()
      .setInputCols(Array("label","features"))
      .setOutputCol("assemble")
    val output = assembler.transform(pcaResult)

    // 输出csv格式的标签和主成分，便于可视化
    val ass = output.select(output("assemble").cast("string"))
    ass.write.mode("overwrite").csv("output.csv")

    // 将经过主成分分析的数据，按比例划分为训练数据和测试数据
    val Array(trainingData, testData) = pcaResult.randomSplit(Array(0.7, 0.3), seed = 20)

    // 创建SVC分类器(Estimator)
    val lsvc = new LinearSVC()
      .setMaxIter(10)
      .setRegParam(0.1)

    // 创建pipeline, 将上述步骤连接起来
    val pipeline = new Pipeline()
      .setStages(Array(scaler, pca, lsvc))
    
    // 使用串联好的模型在训练集上训练
    val model = pipeline.fit(trainingData)
    
    // 在测试集上测试
    val predictions = model.transform(testData).select("prediction","label")

    // 计算精度
    val evaluator = new MulticlassClassificationEvaluator()
      .setLabelCol("label")
      .setPredictionCol("prediction")
      .setMetricName("accuracy")
    val accuracy = evaluator.evaluate(predictions)

    println(s"Accuracy = ${accuracy}")

    spark.stop()
  }
}

最后的精度为1.0，这里使用的测试数据比较好分，从PCA后对前两维的可视化结果可以看出：

参考资料

Spark ML文档
DataFrame API
PCA列数限制-源码
导出cvs文件方法-stackoverflow
无法导出csv文件-stackoverflow
示例数据