前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >spark | spark 机器学习chapter3 数据的获取、处理与准备

spark | spark 机器学习chapter3 数据的获取、处理与准备

作者头像
努力在北京混出人样
发布2019-02-18 16:56:29
5470
发布2019-02-18 16:56:29
举报
文章被收录于专栏:祥子的故事

阅读spark机器学习这本书来学习在spark上做机器学习

注意:数据集是电影评分等数据,下载链接:http://files.grouplens.org/datasets/movielens/ml-100k.zip

数据集包括:用户属性文件、电影元素、用户对电影的评级 1、将数据解压到某个目录下,并切换到该目录

代码语言:javascript
复制
unzip ml-100k.zip
cd ml-100k

2、查看上述三种数据

用户

这里写图片描述
这里写图片描述

电影

这里写图片描述
这里写图片描述

评分

这里写图片描述
这里写图片描述

3、启动python,分析数据

启动

代码语言:javascript
复制
/home/hadoop/spark/bin/pyspark

4、读数据

代码语言:javascript
复制
from pyspark import SparkContext
user_data = sc.textFile("u.user")
user_data.first()

u’1|24|M|technician|85711’

5、基本的分析

代码语言:javascript
复制
#分割数据,函数split
user_fields=user_data.map(lambda line:line.split("|"))
#用户数量
num_users=user_fields.map(lambda fields:fields[0]).count()
#性别数
num_genders = user_fields.map(lambda fields:fields[2]).distinct().count()
#职业种数
num_occupations = user_fields.map(lambda fields:fields[3]).distinct().count()
#其他
num_zipcodes=user_fields.map(lambda fields:fields[4]).distinct().count()

#结果打印
print "Users:%d ,genders:%d ,occupations:%d ,ZIP codes:%d" % (num_users,num_genders,num_occupations,num_zipcodes)

Users:943 ,genders:2 ,occupations:21 ,ZIP codes:795

6、画图 对ages这个属性做直方图。 由于在终端下没法画图,这里给出代码

代码语言:javascript
复制
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)

7、统计职业的种类和数量

代码语言:javascript
复制
import numpy as np
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])

打印出结果

代码语言:javascript
复制
print x_axis1

[u’administrator’ u’retired’ u’lawyer’ u’none’ u’student’ u’technician’ u’programmer’ u’salesman’ u’homemaker’ u’executive’ u’doctor’ u’entertainment’ u’marketing’ u’writer’ u’scientist’ u’educator’ u’healthcare’ u’librarian’ u’artist’ u’other’ u’engineer’]

代码语言:javascript
复制
print y_axis1

[ 79 14 12 9 196 27 66 12 7 32 7 18 26 45 31 95 16 51 28 105 67]

代码语言:javascript
复制
y_axis = y_axis1[np.argsort(y_axis1)]

array([ 7, 7, 9, 12, 12, 14, 16, 18, 26, 27, 28, 31, 32, 45, 51, 66, 67, 79, 95, 105, 196])

np.argsort() : 得到升序的下标

画图:

代码语言:javascript
复制
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)

计算各个值出现不同次数的方法:

代码语言:javascript
复制
count_by_occupation2 = user_fields.map(lambda fields: fields[3]).countByValue()
print "Map-reduce approach:"
print dict(count_by_occupation2)
print ""
print "countByValue approach:"
print dict(count_by_occupation)

Map-reduce approach print(dict(count_by_occupation2)) {u’administrator’: 79, u’retired’: 14, u’lawyer’: 12, u’healthcare’: 16, u’marketing’: 26, u’executive’: 32, u’scientist’: 31, u’student’: 196, u’technician’: 27, u’librarian’: 51, u’programmer’: 66, u’salesman’: 12, u’homemaker’: 7, u’engineer’: 67, u’none’: 9, u’doctor’: 7, u’writer’: 45, u’entertainment’: 18, u’other’: 105, u’educator’: 95, u’artist’: 28}

countByValue approach {u’administrator’: 79, u’writer’: 45, u’retired’: 14, u’lawyer’: 12, u’doctor’: 7, u’marketing’: 26, u’executive’: 32, u’none’: 9, u’entertainment’: 18, u’healthcare’: 16, u’scientist’: 31, u’student’: 196, u’educator’: 95, u’technician’: 27, u’librarian’: 51, u’programmer’: 66, u’artist’: 28, u’salesman’: 12, u’other’: 105, u’homemaker’: 7, u’engineer’: 67}

探索电影数据 解析电影分类数据的特征

读数据和查看数据

读数据

代码语言:javascript
复制
movie_data = sc.textFile("u.item")

查看数据

代码语言:javascript
复制
#第一行
print movie_data.first()

1|Toy Story (1995)|01-Jan-1995||http://us.imdb.com/M/title-exact?Toy%20Story%20(1995)|0|0|0|1|1|1|0|0|0|0|0|0|0|0|0|0|0|0|0

电影总数

代码语言:javascript
复制
print "Movies:%d" % num_movies

Movies:1682

对电影发型的时间做处理 先过虑掉缺失值,定义函数,缺失值取为1900

代码语言:javascript
复制
def convert_year(x):
  try:
    return int(x[-4:])
  except:
    return 1900 

第3列为时间,格式为:01-Jan-1995 ,-4:得到年

数据处理

代码语言:javascript
复制
movie_fields = movie_data.map(lambda lines: lines.split("|"))

years = movie_fields.map(lambda fields: fields[2]).map(lambda x: convert_year(x))

过滤掉为1900的

代码语言:javascript
复制
years_filtered = years.filter(lambda x: x != 1900)

计算电影的年龄,该数据发生在1998年,要得到发行时间,需要1998减去时间

代码语言:javascript
复制
movie_ages = years_filtered.map(lambda yr: 1998-yr).countByValue()
values = movie_ages.values()
bins = movie_ages.keys()

print values
print bins

[65, 286, 355, 219, 214, 126, 37, 22, 24, 15, 11, 13, 15, 7, 8, 5, 13, 12, 8, 9, 4, 4, 5, 6, 8, 4, 3, 7, 3, 4, 6, 5, 2, 5, 2, 6, 5, 3, 5, 4, 9, 8, 4, 5, 7, 2, 3, 5, 7, 4, 3, 5, 5, 4, 5, 4, 2, 5, 8, 7, 3, 4, 2, 4, 4, 2, 1, 1, 1, 1, 1]

[0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20, 21, 22, 23, 24, 25, 26, 27, 28, 29, 30, 31, 32, 33, 34, 35, 36, 37, 38, 39, 40, 41, 42, 43, 44, 45, 46, 47, 48, 49, 50, 51, 52, 53, 54, 55, 56, 57, 58, 59, 60, 61, 62, 63, 64, 65, 66, 67, 68, 72, 76]

画图

代码语言:javascript
复制
hist(values, bins=bins, color='lightblue', normed=True)
fig = matplotlib.pyplot.gcf()
fig.set_size_inches(16,10)

探索评级数据

读数据、数据量

代码语言:javascript
复制
>>> #评级数据
... 
rating_data = sc.textFile("u.data")
print rating_data.first()
196 242 3   881250949
num_ratings = rating_data.count()
print "Ratings: %d" % num_ratings
Ratings: 100000

196 242 3 881250949 Ratings: 100000 总共10万条数据

一些基本统计

代码语言:javascript
复制
#数据分割
rating_data1 = rating_data.map(lambda line:line.split("\t"))
#评分
ratings = rating_data1.map(lambda fields:int(fields[2]))
#最高得分
max_rating = ratings.reduce(lambda x,y:max(x,y))
#最低得分
min_rating = ratings.reduce(lambda x,y:min(x,y))
#评价得分
mean_rating = ratings.reduce(lambda x,y:x+y) / num_ratings
#中位数
median_rating = np.median(ratings.collect())
#平均每个用户打分数
ratings_per_user = num_ratings / num_users
#平均每部电影有多少评分
ratings_per_movie = num_ratings / num_movies
print "Min ratings: %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 rating per user:%2.2f" % ratings_per_user
print "Average # of ratings per movie: %2.2f" % ratings_per_movie

Min ratings: 1 Max rating: 5 Average rating: 3.00 Median rating: 4 Average # of rating per user:106.00 Average # of ratings per movie: 59.00

类似功能的函数stats()

代码语言:javascript
复制
ratings.stats()

(count: 100000, mean: 3.52986, stdev: 1.12566797076, max: 5.0, min: 1.0)

计算每个用户打分次数:

代码语言:javascript
复制
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,int(len(v))))

user_ratings_byuser.take(5)  #这里在spark2.1下报错,后续探究

绘图

代码语言:javascript
复制
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)
本文参与 腾讯云自媒体同步曝光计划,分享自作者个人站点/博客。
原始发表:2017年02月17日,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 作者个人站点/博客 前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档