你真的懂数据分析吗？一文读懂数据分析的流程、基本方法和实践

导读：无论你的工作内容是什么，掌握一定的数据分析能力，都可以帮你更好的认识世界，更好的提升工作效率。数据分析除了包含传统意义上的统计分析之外，也包含寻找有效特征、进行机器学习建模的过程，以及探索数据价值、找寻数据本根的过程。

作者：马海平 于俊 吕昕 向海

本文摘编自《Spark机器学习进阶实战》，如需转载请联系我们

01 数据分析流程

数据分析可以帮助我们从数据中发现有用信息，找出有建设性的结论，并基于分析结论辅助决策。如图1所示，数据分析流程主要包括业务调研、明确目标、数据准备、特征处理、模型训练与评估、输出结论等六个关键环节。

▲图1 数据分析流程

数据分析能力并非一朝一夕养成的，需要长期扎根业务进行积累，需要长期根据数据分析流程一步一个脚印分析问题，培养自己对数据的敏感度，从而养成用数据分析、用数据说话的习惯。当你可以基于一些数据，根据自己的经验做出初步的判断和预测，你就基本拥有数据思维了。

02 数据分析基本方法

数据分析是以目标为导向的，通过目标实现选择数据分析的方法，常用的分析方法是统计分析，数据挖掘则需要使用机器学习构建模型。接下来介绍一些简单的数据分析方法。

1. 汇总统计

统计是指用单个数或者数的小集合捕获很大值集的特征，通过少量数值来了解大量数据中的主要信息，常见统计指标包括：

• 分布度量：概率分布表、频率表、直方图
• 频率度量：众数
• 位置度量：均值、中位数
• 散度度量：极差、方差、标准差
• 多元比较：相关系数
• 模型评估：准确率、召回率

汇总统计对一个弹性分布式数据集RDD进行概括统计，它通过调用Statistics的colStats方法实现。colStats方法可以返回RDD的最大值、最小值、均值、方差等，代码实现如下：

import org.apache.spark.MLlib.linalg.Vector

import org.apache.spark.MLlib.stat.{MultivariateStatisticalSummary, Statistics}

// 向量[Vector]数据集

val data: RDD[Vector] = ...

// 汇总统计信息

val summary: statisticalSummary = Statistics.colStats(data)

// 平均值和方差

println(summary.mean)

println(summary.variance)

2. 相关性分析

相关性分析是指通过分析寻找不用商品或不同行为之间的关系，发现用户的习惯，计算两个数据集的相关性是统计中的常用操作。

在MLlib中提供了计算多个数据集两两相关的方法。目前支持的相关性方法有皮尔逊（Pearson）相关和斯皮尔曼（Spearman）相关。一般对于符合正态分布的数据使用皮尔逊相关系数，对于不符合正态分布的数据使用斯皮尔曼相关系数。

皮尔逊相关系数是用来反映两个变量相似程度的统计量，它常用于计算两个向量的相似度，皮尔逊相关系数计算公式如下：

其中

表示两组变量，

表示两个变量的平均值，皮尔逊相关系数可以理解为对两个向量进行归一化以后，计算其余弦距离（即使用余弦函数cos计算相似度，用向量空间中两个向量的夹角的余弦值来衡量两个文本间的相似度），皮尔逊相关大于0表示两个变量正相关，小于0表示两个变量负相关，皮尔逊相关系数为0时，表示两个变量没有相关性。

调用MLlib计算两个RDD皮尔逊相关性的代码如下，输入的数据可以是RDD[Double]也可以是RDD[Vector]，输出是一个Double值或者相关性矩阵。

import org.apache.spark.SparkContext

import org.apache.spark.MLlib.linalg._

import org.apache.spark.MLlib.stat.Statistics

// 创建应用入口

val sc: SparkContext = ...

// X变量

val seriesX: RDD[Double] = ...

// Y变量，分区和基数同seriesX

val seriesY: RDD[Double] = ...

// 使用Pearson方法计算相关性，斯皮尔曼的方法输入“spearman”

val correlation: Double = Statistics.corr(seriesX, seriesY, "pearson")

// 向量数据集

val data: RDD[Vector] = ...

val correlMatrix: Matrix = Statistics.corr(data, "pearson")

皮尔逊相关系数在机器学习的效果评估中经常使用，如使用皮尔逊相关系数衡量推荐系统推荐结果的效果。

3. 分层抽样

分层抽样先将数据分为若干层，然后再从每一层内进行随机抽样组成一个样本。MLlib提供了对数据的抽样操作，分层抽样常用的函数是sampleByKey和sampleByKeyExact，这两个函数是在key-value对的RDD上操作，用key来进行分层。

其中，sampleByKey方法通过掷硬币的方式进行抽样，它需要指定需要的数据大小；sampleByKeyExact抽取

个样本，

表示期望获取键为key的样本比例，

表示键为key的键值对的数量。sampleByKeyExact能够获取更准确的抽样结果，可以选择重复抽样和不重复抽样，当withReplacement为true时是重复抽样，false时为不重复抽样。重复抽样使用泊松抽样器，不重复抽样使用伯努利抽样器。

分层抽样的代码如下：

import org.apache.spark.SparkContext

import org.apache.spark.SparkContext._

import org.apache.spark.rdd.PairRDDFunctions

val sc: SparkContext = ...

// RDD[(K, V)]形式的键值对

val data = ...

//指定每个键所需的份数

val fractions: Map[K, Double] = ...

//从每个层次获取确切的样本

val approxSample = data.sampleByKey(withReplacement = false, fractions)

val exactSample = data.sampleByKeyExact(withReplacement = false, fractions)

通过用户特征、用户行为对用户进行分类分层，形成精细化运营、精准化业务推荐，进一步提升运营效率和转化率。

4. 假设检验

假设检验是统计中常用的工具，它用于判断一个结果是否在统计上是显著的、这个结果是否有机会发生。通过数据分析发现异常情况，找到解决异常问题的方法。

MLlib目前支持皮尔森卡方检验，对应的函数是Statistics类的chiSqTest，chiSqTest支持多种输入数据类型，对不同的输入数据类型进行不同的处理，对于Vector进行拟合优度检验，对于Matrix进行独立性检验，对于RDD用于特征选择，使用chiSqTest方法进行假设检验的代码如下：

import org.apache.spark.SparkContext

import org.apache.spark.MLlib.linalg._

import org.apache.spark.MLlib.regression.LabeledPoint

import org.apache.spark.MLlib.stat.Statistics._

val sc: SparkContext = ...

// 定义一个由事件频率组成的向量

val vec: Vector = ...

// 作皮尔森拟合优度检验

val goodnessOfFitTestResult = Statistics.chiSqTest(vec)

println(goodnessOfFitTestResult)

// 定义一个检验矩阵

val mat: Matrix = ...

// 作皮尔森独立性检测

val independenceTestResult = Statistics.chiSqTest(mat)

// 检验总结：包括假定值（p-value）、自由度（degrees of freedom）

println(independenceTestResult)

// pairs(feature, label).

val obs: RDD[LabeledPoint] = ...

// 独立性检测用于特征选择

val featureTestResults: Array[ChiSqTestResult] = Statistics.chiSqTest(obs)

var i = 1

featureTestResults.foreach { result =>

println(s"Column $i:\n$result")

i += 1

}

03 简单的数据分析实践

为了更清楚的说明简单的数据分析实现，搭建Spark开发环境，并使用gowalla数据集进行简单的数据分析，该数据集较小，可在Spark本地模式下，快速运行实践。

实践步骤如下：

1）环境准备：准备开发环境并加载项目代码；

2）数据准备：数据预处理及one-hot编码；

3）数据分析：使用均值、方差、皮尔逊相关性计算等进行数据分析。

简单数据分析实践的详细代码参考：ch02\GowallaDatasetExploration.scala，本地测试参数和值如表1所示。

▲表1 本地测试参数和值

1. 环境准备

Spark程常用IntelliJ IDEA工具进行开发，下载地址：www.jetbrains.com/idea/，一般选择Community版，当前版本：ideaIC-2017.3.4，支持Windows、Mac OS X、Linux，可以根据自己的情况选择适合的操作系统进行安装。

（1）安装scala-intellij插件

启动IDEA程序，进入“Configure”界面，选择“Plugins”，点击安装界面左下角的“Install JetBrains plugin”选项，进入JetBrains插件选择页面，输入“Scala”来查找Scala插件，点击“Install plugin”按钮进行安装。（如果网络不稳定，可以根据页面提示的地址下载，然后选择“Install plugin from disk”本地加载插件），插件安装完毕，重启IDEA。

（2）创建项目开发环境

启动IDEA程序，选择“Create New Project”，进入创建程序界面，选择Scala对应的sbt选项，设置Scala工程名称和本地目录（以book2-master为例），选择SDK、SBT、Scala版本（作者的开发环境：Jdk->1.8.0_162、sbt->1.1.2、scala->2.11.12），点击“Finish”按钮完成工程的创建。

导入Spark开发包，具体步骤为：File->Project Structure->Libraries->+New Project Library（Java），选择spark jars（如：spark-2.3.0-bin-hadoop2.6/jars）和本地libs（如：\book2-master\libs，包括：nak_2.11-1.3、scala-logging-api_2.11-2.1.2、scala-logging-slf4j_2.11-2.1.2）。

（3）拷贝项目代码

拷贝源代码中的2rd_data、libs、output、src覆盖本地开发项目目录，即可完成开发环境搭建。

除此之外，也可以通过Maven方式Import Project。

2. 准备数据

我们提供的数据格式：

用户[user] 签到时间[check-in time] 维度[latitude] 精度[longitude] 位置标识[location id]

数据样例如下：

准备数据的步骤如下。

（1）数据清洗

在数据清洗阶段过滤掉不符合规范的数据，并将数据进行格式转换，保证数据的完整性、唯一性、合法性、一致性，并按照CheckIn类填充数据，具体实现方法如下：

// 定义数据类CheckIn

case class CheckIn(user: String, time: String, latitude: Double, longitude: Double, location: String)

// 实例化应用程序入口

val conf = new SparkConf().setAppName(this.getClass.getSimpleName).setMaster(mode)

val sc = new SparkContext(conf)

val gowalla = sc.textFile(input).map(_.split("\t")).mapPartitions{

case iter =>

val format = DateTimeFormat.forPattern("yyyy-MM-dd\'T\'HH:mm:ss\'Z\'")

iter.map {

// 填充数据类

case terms => CheckIn(terms(0), terms(1).substring(0, 10), terms(2).toDouble, terms(3).toDouble,terms(4))

}

}

（2）数据转换

在数据转化阶段，将数据转换成Vectors的形式，供后面数据分析使用。

// 字段：user, checkins, checkin days, locations

val data = gowalla.map{

case check: CheckIn => (check.user, (1L, Set(check.time), Set(check.location)))

}.reduceByKey {

// 并集 union

case (left, right) =>(left._1 + right._1,left._2.union(right._2),left._3.union(right._3))

}.map {

case (user, (checkins, days:Set[String], locations:Set[String])) =>

Vectors.dense(checkins.toDouble,days.size.toDouble,

locations.size.toDouble)

}

3. 数据分析

通过简单的数据分析流程，实现均值、方差、非零元素的目录的统计，以及皮尔逊相关性计算，来实现对数据分析的流程和方法的理解。

简单的数据分析代码示例如下：

// 统计分析

val summary: MultivariateStatisticalSummary = Statistics.colStats(data)

// 均值、方差、非零元素的目录

println("Mean"+summary.mean)

println("Variance"+summary.variance)

println("NumNonzeros"+summary.numNonzeros)

// 皮尔逊

val correlMatrix: Matrix = Statistics.corr(data, "pearson")

println("correlMatrix"+correlMatrix.toString)

简单数据分析应用运行结果如下：

均值：[60.16221566503564,25.30645613117692,37.17676390393301]

方差:[18547.42981193066,1198.630729157736,7350.7365871949905]

非零元素:[107092.0,107092.0,107092.0]

皮尔逊相关性矩阵:

1.0 0.7329442022276709 0.9324997691135504

0.7329442022276709 1.0 0.5920355112372706

0.9324997691135504 0.5920355112372706 1.0

本文摘编自《Spark机器学习进阶实战》，经出版方授权发布。