Spark机器学习3

3. Spark上数据的获取、处理与准备

3.1 获取公开数据集

MovieLens数据集：包含表示多个用户对多部电影的10万次评级数据，也包含电影元数据和用户属性信息。

• 下载数据集，解压

unzip ml-100k.zip

• 会创建一个名为ml-100k的文件夹，进入文件夹

 cd ml-100k

其中重要的文件有u.user（用户属性文件）、u.item（电影元数据）和u.data（用户对电影的评级）

• u.user文件包含user.id（用户ID）、age（年龄）、gender（性别）、occupation（职业）、和ZIP code（邮政编码）这些属性。

head -5 u.user

• u.item文件则包含movie id、title、release date、IMDB link和电影分类相关属性。

head -5 u.item

• u.data文件包含user id、movie id、rating（从1到5）和timestamp属性。

head -5 u.data

3.2 探索与可视化数据

通过IPython交互式终端和matplotlib库来对数据进行处理和可视化。需要安装Anaconda，选择python 2.7。
在启动PySpark终端是，我们可以使用IPython而非标准的Python shell。启动时向IPython传入其他参数，让它在启动时也启用pylab功能。

IPYTHON=1 IPYTHON_OPTS="--pylab" ./bin/pyspark

3.2.1 探索用户数据

user_data = sc.textFile("PATH/ml-100k/u.user")
user_data.first()

其输出如下：

统计用户、性别、职业和邮编的数目

user_fields = user_data.map(lambda line: line.split("|")) 
num_users = user_fields.map(lambda fields: fields[0]).count()
num_genders = user_fields.map(lambda fields: fields[2]).distinct().count()
num_occupations = user_fields.map(lambda fields: fields[3]).distinct().count()
num_zipcodes = user_fields.map(lambda fields: fields[4]).distinct().count()
print "Users: %d, genders: %d, occupations: %d, ZIP codes: %d" % (num_users, num_genders, num_occupations, num_zipcodes)

输出如下：

接着用matplotlib的hist函数创建一个直方图，以分析用户年龄的分布情况：

ages = user_fields.map(lambda x: int(x[1])).collect()
hist(ages, bins=20, color='lightblue', normed=True) fig = matplotlib.pyplot.gcf() fig.set_size_inches(16, 10)

如下图所示：

数据中对职业的描述用的是文本，所以需要对其稍作处理以便bar函数使用：

count_by_occupation = user_fields.map(lambda fields: (fields[3], 1)).reduceByKey(lambda x, y: x + y).collect()
x_axis1 = np.array([c[0] for c in count_by_occupation])
y_axis1 = np.array([c[1] for c in count_by_occupation])
x_axis = x_axis1[np.argsort(y_axis1)]
y_axis = y_axis1[np.argsort(y_axis1)]

pos = np.arange(len(x_axis))
width = 1.0

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 = matplotlib.pyplot.gcf()
fig.set_size_inches(16, 10)

3.2.2 探索电影数据

movie_data = sc.textFile("PATH/ml-100k/u.item")
print movie_data.first()

num_movies = movie_data.count()
print "Movies: %d" % num_movies

电影数据中有些数据不完整，故需要一个函数来处理解析release date时可能出现的解析错误，命名该函数为convert_year：

def convert_year(x):
    try:
        return int(x[-4:])
    except:
        return 1900

movie_fields = movie_data.map(lambda lines: lines.split("|"))
years = movie_fields.map(lambda fields: fields[2]).map(lambda x: convert_year(x))
years_filtered = years.filter(lambda x: x != 1900)
movie_ages = years_filtered.map(lambda yr: 1998-yr).countByValue()
values = movie_ages.values()
bins = movie_ages.keys()
hist(values, bins=bins, color='lightblue', normed=True)
fig = matplotlib.pyplot.gcf()
fig.set_size_inches(16,10)

如下图所示：

3.2.3 探索评级数据

rating_data_raw = sc.textFile("PATH/ml-100k/u.data")
print rating_data_raw.first()

num_ratings = rating_data_raw.count()
print "Ratings: %d" % num_ratings

评级次数共有10万。

rating_data = rating_data_raw.map(lambda line: line.split("\t"))
ratings = rating_data.map(lambda fields: int(fields[2]))
max_rating = ratings.reduce(lambda x, y: max(x, y))
min_rating = ratings.reduce(lambda x, y: min(x, y))
mean_rating = ratings.reduce(lambda x, y: x + y) / float(num_ratings)
median_rating = np.median(ratings.collect())
ratings_per_user = num_ratings / num_users
ratings_per_movie = num_ratings / num_movies
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

Spark对RDD也提供一个名为states的函数，该函数包含一个数值变量用于做类似的统计：

ratings.stats()

如下图所示：

count_by_rating = ratings.countByValue()
x_axis = np.array(count_by_rating.keys())
y_axis = np.array([float(c) for c in count_by_rating.values()])
# we normalize the y-axis here to percentages
y_axis_normed = y_axis / y_axis.sum()

pos = np.arange(len(x_axis))
width = 1.0

ax = plt.axes()
ax.set_xticks(pos + (width / 2))
ax.set_xticklabels(x_axis)

plt.bar(pos, y_axis_normed, width, color='lightblue')
plt.xticks(rotation=30)
fig = matplotlib.pyplot.gcf()
fig.set_size_inches(16, 10)

user_ratings_grouped = rating_data.map(lambda fields: (int(fields[0]), int(fields[2]))).groupByKey() 
user_ratings_byuser = user_ratings_grouped.map(lambda (k, v): (k, len(v)))
user_ratings_byuser.take(5)

user_ratings_byuser_local = user_ratings_byuser.map(lambda (k, v): v).collect()
hist(user_ratings_byuser_local, bins=200, color='lightblue', normed=True) fig = matplotlib.pyplot.gcf() fig.set_size_inches(16,10) 

3.3 处理与转换数据

• 为了让原始数据可用于机器学习算法，需要先对其进行清理，并可能需要将其进行各种转换，之后才能从转换后的数据里提取有用的特征。
• 现实中的数据会存在信息不规整、数据点缺失和异常值问题，理想情况下，我们会修复非规整数据，但很多数据集都源于一些难以重现的收集过程。大致处理方法如下：
  
  • 过滤掉或删除非规整或有值缺失的数据
  • 填充非规整或缺失的数据
    
    • 用零值、全局期望或中值来填充
    • 根据相邻或类似的数据点来做插值
  • 对异常值做鲁棒处理
  • 对可能的异常值进行转换

3.4 从数据中提取有用特征

• 特征：用于模型训练的变量。几乎所有机器学习模型都是与用向量表示的数值特征打交道。因此，我们需要将原始数据转换为数值。
• 特征可以概括地分为：数值特征、类别特征、文本特征和其他特征。

3.4.1 类别特征

• 名义变量：类别特征各个可能取值之间没有顺序关系
• 有序变量：类别特征各个可能取值之间有顺序关系，如评级，从定义上说评级5会高于或是好于评级1。

• 将类别特征表示为数字形式，常可借助k之1（1-of-k）方法进行。

  • 将名义变量表示为可用于机器学习任务的形式，会需要借助如k之1编码这样的方法。
  • 有序变量的原始值可能就能直接使用，但也常会经过和名义变量一样的编码处理。

• k之1编码：假设变量可取的值有k个，如果对这些值用1到k编序，则可以用长度为k的二元向量来表示一个变量的取值，在这个向量里，该取值对应的序号所在的元素为1，其他元素都为0.