PySpark处理数据并图表分析

PySpark处理数据并图表分析

 

 

 

 

PySpark简介

1. 官方对PySpark的释义为：“PySpark is the Python API for Spark”。 也就是说pyspark为Spark提供的Python编程接口。
2. Spark使用py4j来实现python与java的互操作，从而实现使用python编写Spark程序。Spark也同样提供了pyspark，一个Spark的python shell，可以以交互式的方式使用Python编写Spark程序。 如：

    from pyspark import SparkContext
    sc = SparkContext("local","Job Name", pyFiles=['MyFile.py', 'lib.zip', 'app.egg'])
    words =sc.textFile("/usr/share/dict/words")
    words.filter(lambda w:w.startswith("spar")).take(5)

PySpark文档主页界面：

 

 

PySpark是构建在Java API之上的，如下图：

 

 

 

处理数据并图表分析

下面我通过PySpark对真实的数据集进行处理，并作图形来分析。首先我需要介绍下数据集以及数据处理的环境。

数据集

MovieLens数据集是由Minnesota大学的GroupLens Research Project对电影评分网站(movielens.umn.edu)收集的，数据集包含了1997年9月19日到1998年四月22日间共七个月的数据。这些数据已经被处理过了（清除了那些评分次数少于20次以及信息没有填写完整的数据）

 

MovieLens数据集：

MovieLens数据集，用户对自己看过的电影进行评分，分值为1～5。MovieLens包括两个不同大小的库，适用于不同规模的算法．小规模的库是943个独立用户对1682部电影作的10000次评分的数据（我是用这个小规模作数据处理和分析）；通过对数据集分析，为用户预测他对其他未观看的电影的打分，将预测分值高的电影推荐给用户，认为这些电影是用户下一步感兴趣的电影。

 

数据集结构：

1、943个用户对1682场电影评分，评判次数为100000次，评分标准：1~5分。

2、每位用户至少评判20场电影。

3、简单地统计了用户的一些信息 (age, gender, occupation, zip)

 

数据用途：

供科研单位和研发企业使用，可用于数据挖掘、推荐系统，人工智能等领域，复杂网络研究等领域。

 

 

数据处理的环境

1. Hadoop伪分布环境
2. Spark Standalone环境
3. Anaconda环境：（下载地址：https://www.continuum.io/downloads）
4. Anaconda Python 是 Python 科学技术包的合集，包含超过400个流行的科学计算、数学、工程以及数据分析用的包。这里我主要是用它的一些包，免得自己装一些Python包麻烦。

其他：

 

处理一（用户年龄统计分析）

处理一简介：

通过对用户数据处理，获得用户信息中的年龄。然后对年龄进行统计并使用Python中的图形框架Matplotlib生成柱状图，最后通过柱状图分析观看电影的观众年龄分布趋势。

 

处理一所有代码：

#加载HDFS上面的用户数据
user_data = sc.textFile("hdfs:/input/ml-100k/u.user")
#打印加载的用户信息第一条
user_data.first()

#用"|"分割符分割每一行的数据，然后将数据返回到user_fields
user_fields = user_data.map(lambda line: line.split("|"))
#统计总的用户数
num_users = user_fields.map(lambda fields: fields[0]).count()
#统计性别的种类数，distinct()函数用来去重。
num_genders = user_fields.map(lambda fields:fields[2]).distinct().count()
#统计职位种类数
num_occupations = user_fields.map(lambda fields:fields[3]).distinct().count()
#统计邮政编码种类数
num_zipcodes = user_fields.map(lambda fields:fields[4]).distinct().count()
#打印统计的这些信息
print "Users: %d, genders: %d, occupations: %d, ZIP codes: %d" % (num_users, num_genders, num_occupations, num_zipcodes)

#统计用户年龄
ages = user_fields.map(lambda x: int(x[1])).collect()
#通过python中的matplotlib生成图表提供给分析师分析
import matplotlib.pyplot as plt
hist(ages, bins=20, color='lightblue', normed=True)
fig = plt.gcf()
fig.set_size_inches(16, 10)
plt.show()

进入Spark安装目录的，然后输入如下命令开启pyspark:

./bin/pyspark

 

之后加载HDFS上面的用户数据（u.user)，然后通过user_data.first()打印第一条数据显示数据格式。

 

 

统计的HDFS上面的所有用户信息：总共943位用户、男女两种性别、21中职位、795个不同的邮政编码。

 

 

Matplotlib是一个Python的图形框架，下面为matplotlib工作过程的打印信息：

 

 

Matplotlib对统计后的数据图形化显示：

 

 

用户年龄分布图：

 

 

结论：

通过生成的柱状图我们可以看出这些电影观众年龄段趋于青年，并且大部分用户年龄都在15到35之间。

 

 

处理二（用户职位统计分析）

处理二简介：

首先对用户数据处理，获得用户信息中的职位种类以及每种职位用户个数。然后对职位进行统计并使用Python中的图形框架Matplotlib生成柱状图，最后通过柱状图分析观看电影的观众职位以及人数分布趋势。

 

处理二所有代码：

#处理职位那一列，通过类似于MapReduce经典例子WordCount处理过程处理职位
count_by_occupation = user_fields.map(lambda fields: (fields[3], 1)).reduceByKey(lambda x, y: x + y).collect()
#导入numpy模块
import numpy as np
#获取用户职位，并作为柱状图的x轴数据显示
x_axis1 = np.array([c[0] for c in count_by_occupation])
#获取用户的各个职位数，并作为y轴数据显示
y_axis1 = np.array([c[1] for c in count_by_occupation])
#让x轴类别的显示按照y轴中每种职位的个数升序排序
x_axis = x_axis1[np.argsort(y_axis1)]
#y轴也是升序
y_axis = y_axis1[np.argsort(y_axis1)]

#设置柱状图中x轴范围以及width
pos = np.arange(len(x_axis))
width = 1.0

#将统计的职位信息使用matplotlib生成柱状图
from matplotlib import pyplot as plt
ax = plt.axes()
ax.set_xticks(pos + (width / 2))
ax.set_xticklabels(x_axis)
plt.bar(pos, y_axis, width, color='lightblue')
plt.xticks(rotation=30)
fig = plt.gcf()
fig.set_size_inches(16, 10)
plt.show()

用户职位信息处理过程：

 

 

用户职位信息统计并生成柱状图：

 

 

用户职位分布图：

 

 

结论：

从最终生成的图表中，我们可以看出电影观众大部分都是student, educator, administrator, engineer和programmer。并且student的人数领先其他职位一大截。

 

 

处理三（电影发布信息统计分析）

处理三简介：

1. 首先对用户数据处理，获得用户评价的电影发布时间信息。然后以1998年为最高年限减去电影发布的年限（数据集统计的时间为1998年）得到的值作为x轴，接着通过Python中的图形框架Matplotlib生成柱状图，最后通过柱状图分析当时电影发布时间趋势。
2. 电影信息有一些脏数据，所以需要先作处理。

处理三所有代码：

#从HDFS中加载u.item数据
movie_data = sc.textFile("hdfs:/input/ml-100k/u.item")
#打印第一条数据，查看数据格式
print movie_data.first()

#统计电影总数
num_movies = movie_data.count()
print "Movies: %d" % num_movies

#定义函数功能为对电影数据预处理，对于错误的年限，使用1900填补
def convert_year(x):
    try:
        return int(x[-4:])
    except:
        return 1900 # there is a 'bad' data point with a blank year,which we set to 900 and will filter out later

#使用"|"分隔符分割每行数据
movie_fields = movie_data.map(lambda lines: lines.split("|"))
#提取分割后电影发布年限信息，并做脏数据预处理
years = movie_fields.map(lambda fields: fields[2]).map(lambda x:convert_year(x))
#获取那些年限为1900的电影（部分为脏数据）
years_filtered = years.filter(lambda x: x != 1900)
#计算出电影发布时间与1998年的年限差
movie_ages = years_filtered.map(lambda yr: 1998-yr).countByValue()

#将年限差作为x轴，电影数量作为y轴作柱状图
values = movie_ages.values()
bins = movie_ages.keys()
from matplotlib import pyplot as plt1
plt1.hist(values, bins=bins, color='lightblue', normed=True)
fig = plt1.gcf()
fig.set_size_inches(16,10)
plt1.show()

 

从HDFS上加载电影数据并打印第一条数据查看数据格式：

 

 

打印的电影数据格式：

 

 

打印的电影总数：

 

 

电影发布年限统计并生成柱状图：

 

 

电影发布年限分布图：（x轴为1998减去电影发布年限）

 

 

结论：

从最终生成的图表中，我们可以看出绝大多数电影发布时间都在1988-1998年之间。

 

处理四（用户评分统计分析）

处理四简介：

首先对用户数据处理，获得用户对电影的评分数，然后统计评分1-5的每个评分个数，然后绘制图表供分析。

 

处理四所有代码：

#从HDFS上面加载用户评分数据
rating_data = sc.textFile("hdfs:/input/ml-100k/u.data")
print rating_data.first()
#统计评分记录总数
num_ratings = rating_data.count()
print "Ratings: %d" % num_ratings

#使用"\t"符分割每行数据
rating_data = rating_data.map(lambda line: line.split("\t"))
#获取每条数据中的用户评分数集合
ratings = rating_data.map(lambda fields: int(fields[2]))
#获取最大评分数
max_rating = ratings.reduce(lambda x, y: max(x, y))
#获取最小评分数
min_rating = ratings.reduce(lambda x, y: min(x, y))
#获取平均评分数
mean_rating = ratings.reduce(lambda x, y: x + y) / num_ratings
#获取评分中位数
median_rating = np.median(ratings.collect())
#每位用户平均评分
ratings_per_user = num_ratings / num_users
#每位用户评了几场电影
ratings_per_movie = num_ratings / num_movies
#打印上面这些信息
print "Min rating: %d" % min_rating
print "Max rating: %d" % max_rating
print "Average rating: %2.2f" % mean_rating
print "Median rating: %d" % median_rating
print "Average # of ratings per user: %2.2f" % ratings_per_user
print "Average # of ratings per movie: %2.2f" % ratings_per_movie

#获取评分数据
count_by_rating = ratings.countByValue()
import numpy as np
#x轴的显示每个评分（1-5）
x_axis = np.array(count_by_rating.keys())
#y轴显示每个评分所占概率，总概率和为1
y_axis = np.array([float(c) for c in count_by_rating.values()])
y_axis_normed = y_axis / y_axis.sum()
pos = np.arange(len(x_axis))
width = 1.0
#使用matplotlib生成柱状图
from matplotlib import pyplot as plt2
ax = plt2.axes()
ax.set_xticks(pos + (width / 2))
ax.set_xticklabels(x_axis)
plt2.bar(pos, y_axis_normed, width, color='lightblue')
plt2.xticks(rotation=30)
fig = plt2.gcf()
fig.set_size_inches(16, 10)
plt2.show()

从HDFS加载数据

 

 

评分记录总数：

 

 

评分的一些统计信息;

 

 

统计评分信息并生成柱状图：

 

 

用户电影评价分布图：

 

 

结论：

从图中我们可以看出电影的评分大都在3-5分之间。

 

 

处理五（用户总评分统计分析）

处理五简介：

首先对用户数据处理，获得用户对电影的总评分数（每位至少评价20次，评分在1-5之间）然后绘制图表供分析。

 

处理四所有代码：

#获取用户评分次数和每次评分
user_ratings_grouped = rating_data.map(lambda fields: (int(fields[0]),int(fields[2]))).groupByKey()
#用户ID以及该用户评分总数
user_ratings_byuser = user_ratings_grouped.map(lambda (k, v): (k,len(v)))
#打印5条结果
user_ratings_byuser.take(5)

#生成柱状图
from matplotlib import pyplot as plt3
user_ratings_byuser_local = user_ratings_byuser.map(lambda (k, v):v).collect()
plt3.hist(user_ratings_byuser_local, bins=200, color='lightblue',normed=True)
fig = plt3.gcf()
fig.set_size_inches(16,10)
plt3.show()

 

打印用户5条处理后的结果：

 

 

生成每位用户评分总数分布图：

 

 

结论：

从图中可以看出总评分在100以内的占了绝大多数。当然，100到300之间还是有一部分的。

 

 

注意事项

1、要显示Python图标，必须要操作系统有图形界面。

2、Python必要有matplotlib 模块。

3、必须要以root用户开启PySpark，不然会报以下错误，没有权限连接x Server。