使用Spark ML进行数据分析

Spark版本:2.4.0
语言:Scala
任务:分类

这里对数据的处理步骤如下:

  1. 载入数据
  2. 归一化
  3. PCA降维
  4. 划分训练/测试集
  5. 线性SVM分类
  6. 验证精度
  7. 输出cvs格式的结果

前言

从Spark 2.0开始,Spark机器学习API是基于DataFrame的spark.ml。而之前的基于RDD的API spark.mllib已进入维护模式。
也就是说,Spark ML是Spark MLlib的一种新的API,它主要有以下几个优点:

  • 面向DataFrame,在RDD基础上进一步封装,提供更强大更方便的API
  • Pipeline功能,便于实现复杂的机器学习模型
  • 性能提升

基于Pipeline的Spark ML中的几个概念:

  • DataFrame:从Spark SQL 的引用的概念,表示一个数据集,它可以容纳多种数据类型。例如可以存储文本,特征向量,标签和预测值等
  • Transformer:是可以将一个DataFrame变换成另一个DataFrame的算法。例如,一个训练好的模型是一个Transformer,通过transform方法,将原始DataFrame转化为一个包含预测值的DataFrame
  • Estimator:是一个算法,接受一个DataFrame,产生一个Transformer。例如,一个学习算法(如PCA,SVM)是一个Estimator,通过fit方法,训练DataFrame并产生模型Transformer
  • Pipeline: Pipeline将多个Transformers和Estimators连接起来组合成一个机器学习工作流程
  • Parameter:用于对Transformers和Estimators指定参数的统一接口

本次实验使用的是Spark ML的API

首先要创建SparkSession

// 创建SparkSession
val spark = SparkSession
  .builder
  .appName("LinearSVCExample")
  .master("local")
  .getOrCreate()

数据处理步骤

1 载入数据

数据载入的方式有多种,这里使用libsvm格式的数据作为数据源,libsvm格式常被用来存储稀疏的矩阵数据,它每一行的格式如下:

label index1:value1 index2:value2 ...

第一个值是标签,后面是由“列号:值”组成键值对,只需要记录非0项即可。

数据加载使用load方法完成:

// 加载训练数据,生成DataFrame
val data = spark.read.format("libsvm").load("data/sample_libsvm_data.txt")

2 归一化

作为数据预处理的第一步,需要对原始数据做归一化处理,即把原始数据的每一维减去其平均值,再除以其标准差,使得数据总体分布为以0为中心,且标准差为1。

// 归一化
val scaler = new StandardScaler()
   .setInputCol("features")
   .setOutputCol("scaledFeatures")
   .setWithMean(true)
   .setWithStd(true)
   .fit(data)

val scaleddata = scaler.transform(data).select("label", "scaledFeatures").toDF("label","features")

3 PCA降维

有时数据的维数可能很大,直接进行分类不仅计算量很大,而且对数据量的要求也很高,常常会出现过拟合。因此需要进行降维,常用的是主成分分析(PCA)算法。

// 创建PCA模型,生成Transformer
val pca = new PCA()
  .setInputCol("features")
  .setOutputCol("pcaFeatures")
  .setK(5)
  .fit(scaleddata)

//  transform数据,生成主成分特征
val pcaResult = pca.transform(scaleddata).select("label","pcaFeatures").toDF("label","features")

4 划分训练/测试集

经过降维的数据就可以拿来训练分类器了,但是在此之前要将数据划分为训练集和测试集,分类器只能在训练集上进行训练,在测试集上验证其分类精度。Spark提供了很方便的接口,按给定的比例随机划分训练/测试集。

// 将经过主成分分析的数据,按比例划分为训练数据和测试数据
val Array(trainingData, testData) = pcaResult.randomSplit(Array(0.7, 0.3), seed = 20)

5 线性SVM分类

这一步构建线性SVM模型,设置最大迭代次数和正则化项的系数,使用训练集进行训练。

// 创建SVC分类器(Estimator)
val lsvc = new LinearSVC()
  .setMaxIter(10)
  .setRegParam(0.1)

// 训练分类器,生成模型(Transformer)
val lsvcModel = lsvc.fit(trainingData)

6 验证精度

将训练好的分类器作用于测试集上,获得分类结果。

分类结果的好坏有很多种衡量的方法,如查准率、查全率等,这里我们使用最简单的一种衡量标准——精度,即正确分类的样本数占总样本数的比值。

// 用训练好的模型,验证测试数据
val res = lsvcModel.transform(testData).select("prediction","label")

// 计算精度
val evaluator = new MulticlassClassificationEvaluator()
  .setLabelCol("label")
  .setPredictionCol("prediction")
  .setMetricName("accuracy")
val accuracy = evaluator.evaluate(res)

println(s"Accuracy = ${accuracy}")

7 输出cvs格式的结果

Spark的DataFrame类型支持导出多种格式,这里以常用的csv格式为例。

这里输出的目的是为了使用Python进行可视化,在降维后进行,可以直观的看出降维后的数据是否明显可分。

使用VectorAssembler,将标签与特征合并为一列,再进行输出。

(这里是将合并后的列转换为String再输出的,因此输出的csv文件是带有引号和括号的,至于为什么要这样输出,请看第二部分)

// 将标签与主成分合成为一列
val assembler = new VectorAssembler()
  .setInputCols(Array("label","features"))
  .setOutputCol("assemble")
val output = assembler.transform(pcaResult)

// 输出csv格式的标签和主成分,便于可视化
val ass = output.select(output("assemble").cast("string"))
ass.write.mode("overwrite").csv("output.csv")

当然也可以用同样的方法输出训练/预测的结果,这里就不再详细介绍。

遇到的问题

完成这个简单的分类实验,花了我两天多的时间,从配置环境到熟悉API,再到遇见各种奇怪的问题……这里我都把他们记录下来,供以后参考。

1 配置环境

起初,我想通过在本机编写代码,然后访问安装在虚拟机中的Spark节点(单节点)这种方式进行实验的(不是提交jar包然后执行spark-submit),也就在是创建SparkSession时,指定虚拟机中的Spark:

val spark = SparkSession
  .builder
  .appName("LinearSVCExample")
  .master("spark://192.168.1.128:7077") // 虚拟机IP
  .getOrCreate()

然而,这样并没有成功。遇到的问题有:

  • 拒绝连接
  • Spark的worker里可以查看到提交的任务,但是一直处于等待状态,没有响应。并且提示:
    WARN TaskSchedulerImpl: Initial job has not accepted any resources; check your cluster UI to ensure that workers are registered and have sufficient resources(实际上,内存和CPU是够的)
  • 报错RuntimeException: java.io.EOFException......

在尝试过各种方案都没有解决问题之后,我放弃了,最后还是在本机中安装Spark,在local模式下运行。(如果有同学成功实现上面的访问方法,欢迎留言告诉我~

至于如何在本机(Windows)安装Spark,百度搜索即可

2 导出CSV格式的数据

将DataFrame导出为cvs格式的时候,遇到了这个问题:
java.lang.UnsupportedOperationException: CSV data source does not support struct<type:tinyint,size:int,indices:array<int>,values:array<double>> data type.

而我要导出的DataFrame只是一个多行数组而已啊:

《使用Spark ML进行数据分析》 image.png

根据StackOverflow上面的提问,Spark的csv导出不支持复杂结构,array<double>都不行。

然后有人给了一种办法,把数组转化为String,就可以导出了。

但是导出的结果是这样的:

《使用Spark ML进行数据分析》 image.png

需要进一步处理。

所以还不如手动实现导出csv文件,或者你有更好的办法,欢迎留言告诉我,非常感谢~

3 PCA维数限制

当我想跑一个10万维度的数据时,程序运行到PCA报错:
java.lang.IllegalArgumentException: Argument with more than 65535 cols: 109600

原来,Spark ML的PCA不支持超过65535维的数据。参见源码

4 SVM核

翻阅了Spark ML文档,只找到Linear Support Vector Machine,即线性核的支持向量机。对于高斯核和其他非线性的核,Spark ML貌似还没有实现。

《使用Spark ML进行数据分析》 image.png

5 withColumn操作

起初我认为对数据进行降维前,需要把DataFrame中的标签label与特征feature分开,然后对feature进行降维,再使用withColumn方法,把label与降维后的feature组合成新的DataFrame。

发现这样既不可行也没有必要。

首先,withColumn只能添加当前DataFrame的数据(对DataFrame某一列进行一些操作,再添加到这个DataFrame本身),不能把来自于不同DataFrame的Column添加到当前DataFrame中。

其次,PCA降维时,只需指定InputCoulum作为特征列,指定OutputColumn作为输出列,其他列的存在并不影响PCA的执行,PCA也不会改变它们,在新生成的DataFrame中依然会保留原来所有Column,并且添加上降维后的数据Column,后面再使用select方法选择出所需的Column即可。

完整代码(Pipeline版)

import org.apache.log4j.{Level, Logger}
import org.apache.spark.ml.Pipeline
import org.apache.spark.ml.feature._
import org.apache.spark.ml.evaluation.{BinaryClassificationEvaluator, MulticlassClassificationEvaluator}
import org.apache.spark.ml.feature.PCA
import org.apache.spark.ml.classification.LinearSVC
import org.apache.spark.sql.SparkSession

object Hello {
  def main(args: Array[String]) {
    System.setProperty("hadoop.home.dir", "D:\\hadoop-2.8.3")
    //  屏蔽日志
    Logger.getLogger("org.apache.spark").setLevel(Level.WARN)
    Logger.getLogger("org.eclipse.jetty.server").setLevel(Level.OFF)

    // 创建sparkSession
    val spark = SparkSession
      .builder
      .appName("LinearSVCExample")
      .master("local")
      .getOrCreate()

    // 加载训练数据,生成DataFrame
    val data = spark.read.format("libsvm").load("data/sample_libsvm_data.txt")

    println(data.count())

    // 归一化
    val scaler = new StandardScaler()
      .setInputCol("features")
      .setOutputCol("scaledFeatures")
      .setWithMean(true)
      .setWithStd(true)
      .fit(data)

    val scaleddata = scaler.transform(data).select("label", "scaledFeatures").toDF("label","features")

    // 创建PCA模型,生成Transformer
    val pca = new PCA()
      .setInputCol("features")
      .setOutputCol("pcaFeatures")
      .setK(5)
      .fit(scaleddata)

    //  transform 数据,生成主成分特征
    val pcaResult = pca.transform(scaleddata).select("label","pcaFeatures").toDF("label","features")

    //  pcaResult.show(truncate=false)

    // 将标签与主成分合成为一列
    val assembler = new VectorAssembler()
      .setInputCols(Array("label","features"))
      .setOutputCol("assemble")
    val output = assembler.transform(pcaResult)

    // 输出csv格式的标签和主成分,便于可视化
    val ass = output.select(output("assemble").cast("string"))
    ass.write.mode("overwrite").csv("output.csv")

    // 将经过主成分分析的数据,按比例划分为训练数据和测试数据
    val Array(trainingData, testData) = pcaResult.randomSplit(Array(0.7, 0.3), seed = 20)

    // 创建SVC分类器(Estimator)
    val lsvc = new LinearSVC()
      .setMaxIter(10)
      .setRegParam(0.1)

    // 创建pipeline, 将上述步骤连接起来
    val pipeline = new Pipeline()
      .setStages(Array(scaler, pca, lsvc))
    
    // 使用串联好的模型在训练集上训练
    val model = pipeline.fit(trainingData)
    
    // 在测试集上测试
    val predictions = model.transform(testData).select("prediction","label")

    // 计算精度
    val evaluator = new MulticlassClassificationEvaluator()
      .setLabelCol("label")
      .setPredictionCol("prediction")
      .setMetricName("accuracy")
    val accuracy = evaluator.evaluate(predictions)

    println(s"Accuracy = ${accuracy}")

    spark.stop()
  }
}

最后的精度为1.0,这里使用的测试数据比较好分,从PCA后对前两维的可视化结果可以看出:

《使用Spark ML进行数据分析》 image.png

参考资料

Spark ML文档
DataFrame API
PCA列数限制-源码
导出cvs文件方法-stackoverflow
无法导出csv文件-stackoverflow
示例数据

    原文作者:涛O_O
    原文地址: https://www.jianshu.com/p/a05f982b71fb
    本文转自网络文章,转载此文章仅为分享知识,如有侵权,请联系博主进行删除。
点赞