python – PySpark马尔可夫模型的算法/编码帮助

我需要一些帮助让我的大脑围绕设计一个(高效)markov链在spark(通过
python).我尽可能地写了它,但是我提出的代码没有扩展.基本上对于各种地图阶段,我编写了自定义函数,它们可以很好地处理几千个序列,但是当我们得到时在20,000(并且我有一些高达800k)的东西慢慢爬行.

对于那些不熟悉马尔科夫模型的人来说,这就是它的要点.

这是我的数据..此时我在RDD中得到了实际数据(没有标题).

ID, SEQ
500, HNL, LNH, MLH, HML

我们看一下元组中的序列,所以

(HNL, LNH), (LNH,MLH), etc..

我需要达到这一点..在那里我返回一个字典(对于每一行数据),然后我将其序列化并存储在内存数据库中.

{500:
    {HNLLNH : 0.333},
    {LNHMLH : 0.333},
    {MLHHML : 0.333},
    {LNHHNL : 0.000},
    etc..
}

所以本质上,每个序列与下一个序列组合(HNL,LNH变成’HNLLNH’),然后对于所有可能的转换(序列组合),我们计算它们的出现次数,然后除以转换的总数(在这种情况下为3)并获得他们的发生频率.

上面有3个转换,其中一个是HNLLNH ..所以对于HNLLNH,1/3 = 0.333

作为一方不是,我不确定它是否相关,但是序列中每个位置的值是有限的.第一个位置(H / M / L),第二个位置(M / L),第三个位置(H ,M,L).

我的代码以前做的是收集()rdd,并使用我编写的函数映射它几次.这些函数首先将字符串转换为列表,然后将列表[1]与列表[2]合并,然后列表[2]列表[3],然后列出[3]列表[4]等等.所以我结束了这样的事情……

[HNLLNH],[LNHMLH],[MHLHML], etc..

然后,下一个函数使用列表项作为键创建该列表中的字典,然后计算完整列表中该键的总发生率,除以len(列表)以获得频率.然后我将该字典包含在另一个字典中,连同它的ID号(导致第二个代码块,上面一个).

就像我说的,这适用于小型序列,但对于长度为100k的列表则不太好.

另外,请记住,这只是一行数据.我必须在10-20k行数据的任何地方执行此操作,每行的长度为500-800,000个序列.

关于如何编写pyspark代码(使用API​​ map / reduce / agg / etc ..函数)有效地执行此操作的任何建议?

编辑
代码如下.从底部开始可能有意义.请记住,我正在学习这个(Python和Spark),我不会这样做,所以我的编码标准不是很好..

def f(x):
    # Custom RDD map function
    # Combines two separate transactions
    # into a single transition state

    cust_id = x[0]
    trans = ','.join(x[1])
    y = trans.split(",")
    s = ''
    for i in range(len(y)-1):
        s= s + str(y[i] + str(y[i+1]))+","
    return str(cust_id+','+s[:-1])

def g(x):
    # Custom RDD map function
    # Calculates the transition state probabilities
    # by adding up state-transition occurrences
    # and dividing by total transitions
    cust_id=str(x.split(",")[0])
    trans = x.split(",")[1:]
    temp_list=[]
    middle = int((len(trans[0])+1)/2)
    for i in trans:
        temp_list.append( (''.join(i)[:middle], ''.join(i)[middle:]) )

    state_trans = {}
    for i in temp_list:
            state_trans[i] = temp_list.count(i)/(len(temp_list))

    my_dict = {}
    my_dict[cust_id]=state_trans
    return my_dict


def gen_tsm_dict_spark(lines):
    # Takes RDD/string input with format CUST_ID(or)PROFILE_ID,SEQ,SEQ,SEQ....
    # Returns RDD of dict with CUST_ID and tsm per customer
    #  i.e.  {cust_id : { ('NLN', 'LNN') : 0.33, ('HPN', 'NPN') : 0.66}

    # creates a tuple ([cust/profile_id], [SEQ,SEQ,SEQ])
    cust_trans = lines.map(lambda s: (s.split(",")[0],s.split(",")[1:]))

    with_seq = cust_trans.map(f)

    full_tsm_dict = with_seq.map(g)

    return full_tsm_dict


def main():
result = gen_tsm_spark(my_rdd)

# Insert into DB
for x in result.collect():
    for k,v in x.iteritems():
         db_insert(k,v)

最佳答案 你可以试试下面的东西.它在很大程度上取决于
tooolz,但如果您希望避免外部依赖,则可以使用一些标准Python库轻松替换它.

from __future__ import division
from collections import Counter
from itertools import product
from toolz.curried import sliding_window, map, pipe, concat
from toolz.dicttoolz import merge

# Generate all possible transitions 
defaults = sc.broadcast(dict(map(
    lambda x: ("".join(concat(x)), 0.0), 
    product(product("HNL", "NL", "HNL"), repeat=2))))

rdd = sc.parallelize(["500, HNL, LNH, NLH, HNL", "600, HNN, NNN, NNN, HNN, LNH"])

def process(line):
    """
    >>> process("000, HHH, LLL, NNN")
    ('000', {'LLLNNN': 0.5, 'HHHLLL': 0.5})
    """
    bits = line.split(", ")
    transactions = bits[1:]
    n = len(transactions) - 1
    frequencies = pipe(
        sliding_window(2, transactions), # Get all transitions
        map(lambda p: "".join(p)), # Joins strings
        Counter, # Count 
        lambda cnt: {k: v / n for (k, v) in cnt.items()} # Get frequencies
    )
    return bits[0], frequencies

def store_partition(iter):
    for (k, v) in iter:
        db_insert(k, merge([defaults.value, v]))

rdd.map(process).foreachPartition(store_partition)

由于您知道所有可能的转换,我建议使用稀疏表示并忽略零.此外,您可以使用稀疏向量替换字典以减少内存占用.

点赞