本文重在借案例学习spark相关数据结构与语法

流程

1. 特征转换

val stateHolidayIndexer = new StringIndexer()
    .setInputCol("StateHoliday")
    .setOutputCol("StateHolidayIndex")
  val schoolHolidayIndexer = new StringIndexer()
    .setInputCol("SchoolHoliday")
    .setOutputCol("SchoolHolidayIndex")
  val stateHolidayEncoder = new OneHotEncoder()
    .setInputCol("StateHolidayIndex")
    .setOutputCol("StateHolidayVec")
  val schoolHolidayEncoder = new OneHotEncoder()
    .setInputCol("SchoolHolidayIndex")
    .setOutputCol("SchoolHolidayVec")
  val dayOfMonthEncoder = new OneHotEncoder()
    .setInputCol("DayOfMonth")
    .setOutputCol("DayOfMonthVec")
  val dayOfWeekEncoder = new OneHotEncoder()
    .setInputCol("DayOfWeek")
    .setOutputCol("DayOfWeekVec")
  val storeEncoder = new OneHotEncoder()
    .setInputCol("Store")
    .setOutputCol("StoreVec")

  val assembler = new VectorAssembler()
    .setInputCols(Array("StoreVec", "DayOfWeekVec", "Open",
      "DayOfMonthVec", "StateHolidayVec", "SchoolHolidayVec"))
    .setOutputCol("features")

• 先转化为StringIndexer

  • inputCol原始列
  • outputCol转化为对应的index列:

    • 从0开始编号，出现频次最多的项目，编号小

    • 有时候会有着这样的场景

    • 用一个df转换另一个df,当df2对应列中的值超出了df1中的范围时，可以选择策略

      • skip：忽略掉
      • keep：超出项对应分配一个index
      • 默认为抛出异常

      val indexed2 = indexer.fit(df1).setHandleInvalid("skip").transform(df2)
      

• 做OneHotEncoder

  • 转化为对应向量
  • 只指定一位为1，其余为0，出现频率最低的为(最终序号, [], [])

• VectorAssembler

  • 将对应元素合并成一个向量，打平

2. 环境初始化（面向像我这样的小白选手）

main中 大部分抄袭文档

val conf = new SparkConf().setAppName("alithink").setMaster("local")
val sc = new SparkContext(conf)
val sparkSession = SparkSession.builder().getOrCreate()

• SparkConf:
  • Spark各种key-value的配置项
    • setAppName: 给你的应用配置一个名字
    • setMaster: 连接到的主URL，例如这里的local代表本地单线程运行，local[4]本地4核运行，或者spark://master:7077 spark典型的Mater/slave模式
• SparkContext:
  • 理解为与spark集群的对接人，可以用她来创建RDDs, accumulators 和 broadcast variables
  • 每个JVM环境活着的SparkContext只有一个，创建一个新的前先stop（将来这个限制可能会被移除）
• SparkSession:
  • 合并了SparkContext和SQLContext
    • 内部有对应属性在需要时可以取得对应实例
  • 用于操作DataSet和DataFrame API
  • 使用：

    • REPL已经预先创建了（比如spark-shell, zeppelin）

    • 获取已经存在的或者新创建一个：

      • SparkSession.builder().getOrCreate()
        • 前提是sparkContext已经创建
      • 尽量用SparkSession来接管一切吧（上述代码可以改为如下）

      val conf = new SparkConf().setAppName("alithink").setMaster("local")
      // val sc = new SparkContext(conf)
      // val sparkSession = SparkSession.builder().getOrCreate()
      
      val sparkSession = SparkSession.builder
                       //.master("local")
                       //.appName("alithink")
                       .config(conf)
                       .getOrCreate()
      

3. 训练数据整理

// main中调用
val data = loadTrainingData(sparkSession, "/Users/alithink/Space/common_data/train.csv")

// 具体实现函数
def loadTrainingData(sqlContext:SparkSession, filePath:String):DataFrame = {
  val trainRaw = sqlContext
    .read.format("com.databricks.spark.csv")
    .option("header", "true")
    .load(filePath)
    .repartition(30)
  trainRaw.createOrReplaceTempView("raw_training_data")
   
  sqlContext.sql("""SELECT
    double(Sales) label, double(Store) Store, int(Open) Open, double(DayOfWeek)   DayOfWeek,
    StateHoliday, SchoolHoliday, (double(regexp_extract(Date, '\\d+-\\d+-(\\d+)', 1))) DayOfMonth
    FROM raw_training_data
    """).na.drop()
}

• SparkSession：
  • read 返回一个DataFrameReader
    • format(读取格式):com.databricks.spark.csv期初为一个开源库，后来已经集成到spark2.*啦
    • option("header", "true") 使用第一行作为头
    • 赠送 .option("inferSchema", "true") 自动推导类型
• DataFrame（粗略一说，内容太多^_）:
  • DataSet[Row]

  • DataFrame vs RDD

    
    
    image
  • DataFrame vs DataSet
    • 往往区别是在于行类型的不确定与确定
• DataSet:
  • repartition: 返回按规则分区后的dataset
    • 一句话：分区由少变多，或者在一些不是键值对的RDD中想要重新分区的话，就需要使用repartition了
    • 有多变少，直接coalesce,repartition其实就是shuffle=true的coalesce
    • 关于分区：分区的个数决定了并行计算的粒度
      • 详情参考：知乎传送门
  • createOrReplaceTempView:
    • 创建本地临时‘表’，便于之后sql操作
• sql:
  • na.drop() 丢掉所有包含null的row

4. 线性回归（随机森林类似，换了方法以及ParamMaps）

def preppedLRPipeline():TrainValidationSplit = {
    val lr = new LinearRegression()
    
    val paramGrid = new ParamGridBuilder()
     .addGrid(lr.regParam, Array(0.1, 0.01))
     .addGrid(lr.fitIntercept)
     .addGrid(lr.elasticNetParam, Array(0.0, 0.25, 0.5, 0.75, 1.0))
     .build()
    
    val pipeline = new Pipeline()
     .setStages(Array(stateHolidayIndexer, schoolHolidayIndexer,
       stateHolidayEncoder, schoolHolidayEncoder, storeEncoder,
       dayOfWeekEncoder, dayOfMonthEncoder,
       assembler, lr))
    
    val tvs = new TrainValidationSplit()
     .setEstimator(pipeline)
     .setEvaluator(new RegressionEvaluator)
     .setEstimatorParamMaps(paramGrid)
     .setTrainRatio(0.75)
    tvs
}

• LinearRegression:
  • spark mllib自带的线性回归，支持多种类型的正则方法（具体算法迷茫中）
    • Lasso L1
    • ridge L2
    • elastic net L2 + L1
    • none
• ParamGridBuilder:
  • 参数网格：
    • 通过不同参数的组合，形成大量参数调优组合后的模型
    • 然后用对应的验证评估方法去择优
  • regParam:定义规范化项的权重
  • elasticNetParam:Elastic net参数，取值介于0，1
  • 这里elaticNetParam设置5个值，regParam2个值，代表会有 5*2=10个不同的模型被训练。
• Pipeline:
  • 由一个个stages组成，每一个stage可以是estimator或者transformer
  • fit model时触发
• TrainValidationSplit:
  • 参数调整检验。
  • 随机将输入的dataset划分为训练集和验证集，使用评估机制选择效果最好的模型。
• RegressionEvaluator:
  • 上面说的用于验证模型效果的evaluator

5. 模型训练与验证

def fitModel(tvs:TrainValidationSplit, data:DataFrame) = {
    val Array(training, test) = data.randomSplit(Array(0.8, 0.2), seed = 12345)
    logger.info("Fitting data")
    val model = tvs.fit(training)
    logger.info("Now performing test on hold out set")
    val holdout = model.transform(test).select("prediction","label")

    // have to do a type conversion for RegressionMetrics
    val rm = new RegressionMetrics(holdout.rdd.map(x =>
      (x(0).asInstanceOf[Double], x(1).asInstanceOf[Double])))

    logger.info("Test Metrics")
    logger.info("Test Explained Variance:")
    logger.info(rm.explainedVariance)
    logger.info("Test R^2 Coef:")
    logger.info(rm.r2)
    logger.info("Test MSE:")
    logger.info(rm.meanSquaredError)rm = new RegressionMetrics(holdout.rdd.map(x =>
      (x(0).asInstanceOf[Double], x(1).asInstanceOf[Double])))

    logger.info("Test Metrics")
    logger.info("Test Explained Variance:")

    logger.info("Test RMSE:")
    logger.info(rm.rootMeanSquaredError)

    model
}

• 首先划分训练集和测试集
• fit：
  • 用训练集拟合出一个model
• RegressionMetrics:
  • 回归evaluator
  • 集中评估标准：
    • R^2：决定系数，反应因变量的全部变异能通过回归关系被自变量解释的比例。如R平方为0.8，则表示回归关系可以解释因变量80%的变异。换句话说，如果我们能控制自变量不变，则因变量的变异程度会减少80%
    • explainedVariance: 解释方差，具体详见：http://blog.sciencenet.cn/blog-1148346-852482.html
    • MAE mean absolute error: 绝对误差，准确值与其测量值之间的误差。
    • MSE mean squared error: 均方误差, 衡量平均误差的方法。
    • RMSE root mean square error: 均方根误差。
• 最后用训练好的模型transform测试集，然后将结果保存。

参考

• Spark MLLib - Predict Store Sales with ML Pipelines
• Spark doc
• Spark2.1.0入门：模型选择和超参数调整
• [Spark2 Linear Regression线性回归](Spark2 Linear Regression线性回归)
• 基于spark用线性回归（linear regression)进行数据预测
• Intellij之Spark Scala开发环境搭建
• Spark入门：标签和索引的转化：StringIndexer- IndexToString-VectorIndexer