第一篇：使用Spark探索经典数据集MovieLens

前言

       MovieLens数据集包含多个用户对多部电影的评级数据，也包括电影元数据信息和用户属性信息。

       这个数据集经常用来做推荐系统，机器学习算法的测试数据集。尤其在推荐系统领域，很多著名论文都是基于这个数据集的。(PS: 它是某次具有历史意义的推荐系统竞赛所用的数据集)。

       下载地址为：http://files.grouplens.org/datasets/movielens/，有好几种版本，对应不同数据量，可任君选用。

       本文下载数据量最小的100k版本，对该数据集进行探索：

       

环境

        本人机器所用的操作系统为号称国产操作系统的Ubuntu Kylin 14.04，美化后的界面还是蛮酷炫的：

       

       spark版本为：v1.5.2，下面是集成了Ipython，pylab的python-shell：

       

初步预览

       1. 首先是用户信息：

       

       其中各列数据分别为：

       用户id | 用户年龄 | 用户性别 | 用户职业 | 用户邮政编码

       2. 然后是影片信息：

       

       其中前几列数据分别为：

       影片id | 影片名 | 影片发行日期 | 影片链接 | (后面几列先不去管)

       3. 最后是评分数据：

       

       其中各列数据分别为：

       用户id | 影片id | 评分值 | 时间戳(timestamp格式)

探索用户数据

       1. 打开Spark的python-shell，执行以下代码载入数据集并打印首行记录：

# 载入数据集
user_data = sc.textFile("/home/kylin/ml-100k/u.user")
# 展示首行记录
user_data.first()

       结果如下：

       

       2. 分别统计用户，性别，职业的个数：

# 以' | '切分每列，返回新的用户RDD
user_fields = user_data.map(lambda line: line.split("|"))
# 统计用户数
num_users = user_fields.map(lambda fields: fields[0]).count()
# 统计性别数
num_genders = user_fields.map(lambda fields: fields[2]).distinct().count()
# 统计职业数
num_occupations = user_fields.map(lambda fields: fields[3]).distinct().count()
# 统计邮编数
num_zipcodes = user_fields.map(lambda fields: fields[4]).distinct().count()
# 返回结果
print "用户数: %d, 性别数: %d, 职业数: %d, 邮编数: %d" % (num_users, num_genders, num_occupations, num_zipcodes)

       结果如下：

       

       3. 查看年龄分布情况：

# 获取用户年龄RDD，并将其落地到驱动程序
ages = user_fields.map(lambda x: int(x[1])).collect()
# 绘制用户年龄直方图
hist(ages, bins=20, color='lightblue', normed=True)

       结果如下：

       

       18岁以上观看者人数激增，估计是“高考”完了时间多了？
       20多岁的年轻人，我猜主要是大学生和刚工作不久的年轻人？观看者最多。
       然后50岁的观看者也蛮多的，估计是快退休了，开始享受生活了。

       4. 查看职业分布情况：

# 并行统计各职业人数的个数，返回职业统计RDD后落地
count_by_occupation = user_fields.map(lambda fields: (fields[3], 1)).reduceByKey(lambda x, y: x + y).collect()
 
# 生成x/y坐标轴
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)]
 
# 生成x轴标签
pos = np.arange(len(x_axis))
width = 1.0
ax = plt.axes()
ax.set_xticks(pos + (width / 2))
ax.set_xticklabels(x_axis)
 
# 绘制职业人数条状图
plt.xticks(rotation=30)
plt.bar(pos, y_axis, width, color='lightblue')

       值得注意的是，统计各职业人数的时候，是将不同职业名记录搜集到不同节点，然后开始并行统计。

       结果如下：

       

       果然，是学生，教育工作者观看影片的多。
       不过程序猿观众也不少...... 医生是最少看电影的。
       这里再给出一种统计各职业人数的解决方案：

count_by_occupation2 = user_fields.map(lambda fields: fields[3]).countByValue()

       countByValue是Spark提供的便捷函数，它会自动统计每个Key下面的Value个数，并以字典的格式返回。

探索电影数据

       1. 打开Spark的python-shell，执行以下代码载入数据集并打印首行记录：

# 载入数据集
movie_data = sc.textFile("/home/kylin/ml-100k/u.item")
# 展示首行记录
print movie_data.first()

       结果如下：

       

       2. 查看下有多少部电影吧：

num_movies = movie_data.count()
print num_movies 

       结果为：

       3. 过滤掉没有发行时间信息的记录：

# 输入影片的发行时间字段，若非法则返回1900
def convert_year(x):
    try:
        return int(x[-4:])
    except:
        return 1900
 
# 以' | '切分每列，返回影片RDD
movie_fields = movie_data.map(lambda lines: lines.split("|"))
# 生成新的影片发行年份RDD，并将空/异常的年份置为1900，
years = movie_fields.map(lambda fields: fields[2]).map(lambda x: convert_year(x))
# 过滤掉影片发行年份RDD中空/异常的记录
years_filtered = years.filter(lambda x: x != 1900)

       4. 统计影片的年龄分布：

# 生成影片年龄RDD，然后统计不同年龄的影片数并落地
movie_ages = years_filtered.map(lambda yr: 1998-yr).countByValue()
# 获得影片数
values = movie_ages.values()
# 获得年龄
bins = movie_ages.keys()
# 绘制电影年龄分布图
hist(values, bins=bins, color='lightblue', normed=True)

       因为这份数据集比较老，1998年提供的，所以就按当时的年龄来统计吧。另外这次使用了countByValue来统计个数，而它是执行函数，不需要再collect了。

       结果为：

       

       看得出电影库中的电影大都还是比较新的。

探索评级数据

       1. 打开Spark的python-shell，执行以下代码载入数据集并打印首行记录：

# 载入数据集
rating_data_raw = sc.textFile("/home/kylin/ml-100k/u.data")
# 展示首行记录
print rating_data_raw.first()

结果为：

       2. 先看看有多少评分记录吧：

num_ratings = rating_data .count()
print num_ratings

       结果为：。果然共有10万条记录，没下载错版本。

       3. 统计最高评分，最低评分，平均评分，中位评分，平均每个用户的评分次数，平均每部影片被评分次数：

# 获取评分RDD
rating_data = rating_data_raw.map(lambda line: line.split("\t"))
ratings = rating_data.map(lambda fields: int(fields[2]))
# 计算最大/最小评分
max_rating = ratings.reduce(lambda x, y: max(x, y))
min_rating = ratings.reduce(lambda x, y: min(x, y))
# 计算平均/中位评分
mean_rating = ratings.reduce(lambda x, y: x + y) / float(num_ratings)
median_rating = np.median(ratings.collect())
# 计算每个观众/每部电影平均打分/被打分次数
ratings_per_user = num_ratings / num_users
ratings_per_movie = num_ratings / num_movies
# 输出结果
print "最低评分: %d" % min_rating
print "最高评分: %d" % max_rating
print "平均评分: %2.2f" % mean_rating
print "中位评分: %d" % median_rating
print "平均每个用户打分(次数): %2.2f" % ratings_per_user
print "平均每部电影评分(次数): %2.2f" % ratings_per_movie

       结果为：

       

       另外Spark有个挺实用的统计函数stats可直接获取常用的统计信息，类似R语言的summary函数：

       ratings.stats()

       结果为：

       

       4. 统计评分分布：

# 生成评分统计RDD，并落地
count_by_rating = ratings.countByValue()
# 生成x/y坐标轴
x_axis = np.array(count_by_rating.keys())
y_axis = np.array([float(c) for c in count_by_rating.values()])
# 对人数做标准化
y_axis_normed = y_axis / y_axis.sum()
 
# 生成x轴标签
pos = np.arange(len(x_axis))
width = 1.0
ax = plt.axes()
ax.set_xticks(pos + (width / 2))
ax.set_xticklabels(x_axis)
 
# 绘制评分分布柱状图
plt.bar(pos, y_axis_normed, width, color='lightblue')
plt.xticks(rotation=30)

       结果为：

       

       评分分布看来也应该挺满足正态分布的。

       5. 统计不同用户的评分次数：

# 首先将数据以用户id为Key分发到各个节点
user_ratings_grouped = rating_data.map(lambda fields: (int(fields[0]), int(fields[2]))).groupByKey() 
# 然后统计每个节点元素的个数，也即每个用户的评论次数
user_ratings_byuser = user_ratings_grouped.map(lambda (k, v): (k, len(v)))
# 输出前5条记录
user_ratings_byuser.take(5)

       注意到这次使用了groupyByKey方法，这个方法和reduceByKey功能有点相似，但是有区别。请读者自行百度。
       结果为：