环境：Amabri 2.2.2、HDP 2.4.2、Spark 1.6.1
***这是我自己东拼西凑整出来的，错误在所难免，但应该也有部分可借鉴之处...***
整体思路：对原始数据提取特征后，使用KMeans做聚类，把元素明显少的类视为异常类，类中的用户视为异常用户，打上标签，之后用随机森林进行分类，
训练出模型后对新数据进行分类，找出异常用户。
之前统计分析、特征工程部分用的MySQL，聚类用了R和Mahout，分类用了MLlib，怎一个乱字了得。我想了想觉得完全可以只用Spark完成。
1.前面的统计分析、特征工程用Spark SQL代替MySQL即可，都是SQL只有部分函数不一样，改一下就行，比较简单不再做了。
（我的原则是能用SQL解决的坚决先用SQL 0.0）
2.将MySQL中的特征表通过Sqoop导入Hive。（Hive和Spark SQL的元数据是共享的）
[ ] -- ... -- - -- --- -
3.使用Spark MLlib进行聚类、分类，注意与[Spark MLlib RandomForest（随机森林）建模与预测]
(http://blog.csdn.net/dr_guo/article/details/53258037)的区别，这里是对DataFrame操作的，那篇博客是对RDD操作的。
请注意包名与类名不同org.apache.spark.mllib.tree.RandomForest/org.apache.spark.ml.classification.RandomForestClassifier
遗憾的是Spark1.6.1中MLlib没有提供基于DataFrame的API来支持ML持久化，据说spark2.0支持了。
[Apache Spark 2.0预览： 机器学习模型持久化](http://www.infoq.com/cn/articles/spark-apache-2-preview)
下面上代码
import org.apache.spark.sql.SQLContext
import org.apache.spark.{SparkConf, SparkContext}
import org.apache.spark.ml.clustering.KMeans
import org.apache.spark.ml.feature.VectorAssembler
import org.apache.spark.ml.feature.StringIndexer
import org.apache.spark.ml.classification.RandomForestClassifier
import org.apache.spark.ml.evaluation.BinaryClassificationEvaluator
/**
* Created by drguo on 2016/11/25.
*/
object RunKMeansAndRF {
def main(args: Array[String]): Unit = {
val sparkConf = new SparkConf().setAppName("km")
val sc = new SparkContext(sparkConf)
val sqlContext = new SQLContext(sc)
val v3 = sqlContext.sql("select * from t_log_2016_all").cache()
//选出特征列
val featureCols = Array("machine_chg_cnt", "ip_chg_cnt", "login_cnt", "logout_cnt", "otherop_cnt", "report_cnt", "send_email_cnt", "out_work_cnt",
"out_commun_cnt", "udisk_out_cnt", "copy_cnt", "udisk_self_exa_cnt", "doc_cnt", "xls_cnt", "pdf_cnt", "ppt_cnt", "et_cnt", "gd_cnt",
"txt_cnt", "xml_cnt", "eqs_cnt", "rar_cnt", "zip_cnt", "tif_cnt", "jpg_cnt", "png_cnt", "bmp_cnt", "op_total_cnt")
//在原DF上增加一列，将前面选出的特征转成vector添到此列 features: vector
val assembler = new VectorAssembler().setInputCols(featureCols).setOutputCol("features")
val data = assembler.transform(v3)
//data.show
//data.printSchema
val kmeans = new KMeans().setK(6).setFeaturesCol("features").setPredictionCol("cluster")
val model = kmeans.fit(data)
//model.clusterCenters.foreach(println) 查看类中心
//model.computeCost(data) 可以用来评价模型好坏、调参(越小越好)
val pred = model.transform(data)
//pred.show()
/*
+--------------------+---------------+----------+---------+----------+-----------+----------+--------------+------------+--------------+-------------+--------+------------------+-------+-------+-------+-------+------+------+-------+-------+-------+-------+-------+-------+-------+-------+-------+------------+-------+--------------------+-------+
| usersid|machine_chg_cnt|ip_chg_cnt|login_cnt|logout_cnt|otherop_cnt|report_cnt|send_email_cnt|out_work_cnt|out_commun_cnt|udisk_out_cnt|copy_cnt|udisk_self_exa_cnt|doc_cnt|xls_cnt|pdf_cnt|ppt_cnt|et_cnt|gd_cnt|txt_cnt|xml_cnt|eqs_cnt|rar_cnt|zip_cnt|tif_cnt|jpg_cnt|png_cnt|bmp_cnt|op_total_cnt|date_ym| features|cluster|
+--------------------+---------------+----------+---------+----------+-----------+----------+--------------+------------+--------------+-------------+--------+------------------+-------+-------+-------+-------+------+------+-------+-------+-------+-------+-------+-------+-------+-------+-------+------------+-------+--------------------+-------+
|001461E4-86C64780...| 1| 6| 7.0| 1.0| 1.0| 1.0| 1.0| 1.0| 1.0| 1.0| 1.0| 1.0| 1.0| 1.0| 1.0| 1.0| 1.0| 1.0| 1.0| 1.0| 1.0| 1.0| 1.0| 1.0| 1.0| 1.0| 1.0| 6| 201601|[1.0,6.0,7.0,1.0,...| 0|
*/
//注册为临时表，用sql处理。换成永久表用CTAS语句或直接pred.write.saveAsTable("tablename")！
pred.registerTempTable("v3_km")
//查看每个类各有多少用户，把用户明显过少的类标为异常类，其中的用户标为异常用户
/*sqlContext.sql("select cluster, count(1) as cnt from v3_km group by cluster").show()
+-------+-----+
|cluster| cnt|
+-------+-----+
| 0|15575|
| 1| 1|
| 2| 3|
| 3| 46|
| 4| 270|
| 5| 2|
+-------+-----+
*/
/*下面的CTAS语句不可行，因为features是vector格式的，不能转化为struct
0类作为负样本，打上标签0
sqlContext.sql("create table rf_input as select *, 0 as label from v3_km where cluster = 0 order by rand() limit 250")
其他类作为正样本，打上标签1
sqlContext.sql("insert into table rf_input select usersid, date_ym, features, 1 from v3_km where cluster != 0 order by rand() limit 250")
*/
//0类作为负样本，打上标签0
val negative_samples = sqlContext.sql("select usersid, date_ym, features, 0 as cluster from v3_km where cluster = 0 order by rand() limit 250")
//其他类作为正样本，打上标签1
val positive_samples = sqlContext.sql("select usersid, date_ym, features, 1 as cluster from v3_km where cluster != 0 order by rand() limit 250")
//合并正负样本
val rf_input = negative_samples.unionAll(positive_samples).cache()
//rf_input.count
// Create a label column with the StringIndexer
val labelIndexer = new StringIndexer().setInputCol("cluster").setOutputCol("label")
val rfDataset = labelIndexer.fit(rf_input).transform(rf_input)
//将数据集划分为训练集、测试集
val splitSeed = 5043
val Array(trainingData, testData) = rfDataset.randomSplit(Array(0.7, 0.3), splitSeed)
// create the classifier, set parameters for training
val classifier = new RandomForestClassifier().setImpurity("gini").setMaxDepth(3).setNumTrees(20).setFeatureSubsetStrategy("auto").setSeed(5043)
// use the random forest classifier to train (fit) the model
val rfmodel = classifier.fit(trainingData)
// print out the random forest trees
//rfmodel.toDebugString
// run the model on test features to get predictions
val predictions = rfmodel.transform(testData)//要对新数据进行分类，向量化后放进去即可
//predictions.show
/*
+--------------------+-------+--------------------+-------+-----+--------------------+--------------------+----------+
| usersid|date_ym| features|cluster|label| rawPrediction| probability|prediction|
+--------------------+-------+--------------------+-------+-----+--------------------+--------------------+----------+
|013BEA87-5D73409E...| 201603|[1.0,1.0,1.0,1.0,...| 0| 0.0|[18.1097422934236...|[0.90548711467118...| 0.0|
|0592E1A4-7339B97B...| 201609|[1.0,2.0,1.0,1.0,...| 0| 0.0|[17.6858421744611...|[0.88429210872305...| 0.0|
|0646BA92-1A06462F...| 201606|[1.0,1.0,1.0,1.0,...| 0| 0.0|[16.9666881487346...|[0.84833440743673...| 0.0|
|081D24DC-74960FD1...| 201602|[1.0,4.0,1.0,1.0,...| 0| 0.0|[18.2040819160651...|[0.91020409580325...| 0.0|
*/
//将预测结果保存到表中
//predictions.saveAsTable("rf_output")
predictions.write.saveAsTable("rf_output")
// create an Evaluator for binary classification, which expects two input columns: rawPrediction and label.
val evaluator = new BinaryClassificationEvaluator().setLabelCol("label")
// Evaluates predictions and returns a scalar metric areaUnderROC(larger is better). AUC:ROC曲线下的面积，越趋近于1，分类效果越好，为0.5时相当于瞎猜的效果
val accuracy = evaluator.evaluate(predictions)
//accuracy: Double = 0.9992023928215354
}
}
最后贴一下DataFrame的函数
Action 操作
1、 collect() ,返回值是一个数组，返回dataframe集合所有的行
2、 collectAsList() 返回值是一个java类型的数组，返回dataframe集合所有的行
3、 count() 返回一个number类型的，返回dataframe集合的行数
4、 describe(cols: String*) 返回一个通过数学计算的类表值(count, mean, stddev, min, and max)，这个可以传多个参数，中间用逗号分隔，
如果有字段为空，那么不参与运算，只这对数值类型的字段。例如df.describe("age", "height").show()
5、 first() 返回第一行 ，类型是row类型
6、 head() 返回第一行 ，类型是row类型
7、 head(n:Int)返回n行 ，类型是row 类型
8、 show()返回dataframe集合的值 默认是20行，返回类型是unit
9、 show(n:Int)返回n行，，返回值类型是unit
10、 table(n:Int) 返回n行 ，类型是row 类型
dataframe的基本操作
1、 cache()同步数据的内存
2、 columns 返回一个string类型的数组，返回值是所有列的名字
3、 dtypes返回一个string类型的二维数组，返回值是所有列的名字以及类型
4、 explan()打印执行计划 物理的
5、 explain(n:Boolean) 输入值为 false 或者true ，返回值是unit 默认是false ，如果输入true 将会打印 逻辑的和物理的
6、 isLocal 返回值是Boolean类型，如果允许模式是local返回true 否则返回false
7、 persist(newlevel:StorageLevel) 返回一个dataframe.this.type 输入存储模型类型
8、 printSchema() 打印出字段名称和类型 按照树状结构来打印
9、 registerTempTable(tablename:String) 返回Unit ，将df的对象只放在一张表里面，这个表随着对象的删除而删除了
10、 schema 返回structType 类型，将字段名称和类型按照结构体类型返回
11、 toDF()返回一个新的dataframe类型的
12、 toDF(colnames：String*)将参数中的几个字段返回一个新的dataframe类型的，
13、 unpersist() 返回dataframe.this.type 类型，去除模式中的数据
14、 unpersist(blocking:Boolean)返回dataframe.this.type类型 true 和unpersist是一样的作用false 是去除RDD
集成查询：
1、 agg(expers:column*) 返回dataframe类型 ，同数学计算求值
df.agg(max("age"), avg("salary"))
df.groupBy().agg(max("age"), avg("salary"))
2、 agg(exprs: Map[String, String]) 返回dataframe类型 ，同数学计算求值 map类型的
df.agg(Map("age" -> "max", "salary" -> "avg"))
df.groupBy().agg(Map("age" -> "max", "salary" -> "avg"))
3、 agg(aggExpr: (String, String), aggExprs: (String, String)*) 返回dataframe类型 ，同数学计算求值
df.agg(Map("age" -> "max", "salary" -> "avg"))
df.groupBy().agg(Map("age" -> "max", "salary" -> "avg"))
4、 apply(colName: String) 返回column类型，捕获输入进去列的对象
5、 as(alias: String) 返回一个新的dataframe类型，就是原来的一个别名
6、 col(colName: String) 返回column类型，捕获输入进去列的对象
7、 cube(col1: String, cols: String*) 返回一个GroupedData类型，根据某些字段来汇总
8、 distinct 去重 返回一个dataframe类型
9、 drop(col: Column) 删除某列 返回dataframe类型
10、 dropDuplicates(colNames: Array[String]) 删除相同的列 返回一个dataframe
11、 except(other: DataFrame) 返回一个dataframe，返回在当前集合存在的在其他集合不存在的
(implicit arg0: scala.reflect.api.JavaUniverse.TypeTag[B]) 返回值是dataframe类型，这个 将一个字段进行更多行的拆分
df.explode("name","names") {name :String=> name.split(" ")}.show();
将name字段根据空格来拆分，拆分的字段放在names里面
13、 filter(conditionExpr: String): 刷选部分数据，返回dataframe类型 df.filter("age>10").show(); df.filter(df("age")>10).show();
df.where(df("age")>10).show(); 都可以
14、 groupBy(col1: String, cols: String*) 根据某写字段来汇总返回groupedate类型 df.groupBy("age").agg(Map("age" ->"count"))
.show();df.groupBy("age").avg().show();都可以
15、 intersect(other: DataFrame) 返回一个dataframe，在2个dataframe都存在的元素
16、 join(right: DataFrame, joinExprs: Column, joinType: String)
一个是关联的dataframe，第二个关联的条件，第三个关联的类型：inner, outer, left_outer, right_outer, leftsemi
df.join(ds,df("name")===ds("name") and df("age")===ds("age"),"outer").show();
17、 limit(n: Int) 返回dataframe类型 去n 条数据出来
18、 na: DataFrameNaFunctions ，可以调用dataframenafunctions的功能区做过滤 df.na.drop().show(); 删除为空的行
19、 orderBy(sortExprs: Column*) 做alise排序
20、 select(cols:string*) dataframe 做字段的刷选 df.select($"colA", $"colB" + 1)
21、 selectExpr(exprs: String*) 做字段的刷选 df.selectExpr("name","name as names","upper(name)","age+1").show();
22、 sort(sortExprs: Column*) 排序 df.sort(df("age").desc).show(); 默认是asc
23、 unionAll(other:Dataframe) 合并 df.unionAll(ds).show();
24、 withColumnRenamed(existingName: String, newName: String) 修改列表 df.withColumnRenamed("name","names").show();
25、 withColumn(colName: String, col: Column) 增加一列 df.withColumn("aa",df("name")).show();
