一、介绍

Apache Spark ML 是机器学习库在 Apache Spark 上运行的模块。
功能模块介绍

名称	功能
ML Pipeline APIs	数据模型管道API
pyspark.ml.param module	模型参数模块
pyspark.ml.feature module	模型变量相关模块
pyspark.ml.classfication module	分类算法模块
pyspark.ml.culstering module	聚类算法模块
pyspark.ml.recommendation module	推荐系统模块
pyspark.ml.regression module	回归算法模块
pyspark.ml.tuning module	参数调整模块
pyspark.ml.evaluation module	模型验证模块

二、模型开发流程

1、dataframe数据模型

ML可以语言于各种数据模型，比如向量、文本、图形等，API采用spark SQL的dataframe来支持各类数据模型

2、transformer转换器

将一个dataframe转换为另一个dataframe，转换过程中，会修改原始变量，或创建新变量

3、estimators模型学习器

• 模型学习器是拟合和训练数据的机器学习算法或其他算法的抽象
• 实现fit()方法，这个方法输入一个dataframe并产生一个model即一个transformer转换器
• 例如：一个机器学习算法是一个estimators模型学习器，比如这个算法是logisticregressionmodel，因此也是一个transformer转换器

4、pipeline管道

• 将多个transformer和estimators绑在一起，形成一个工作流
• 在机器学习中，通常会执行一系列算法来处理和学习模型，比如，一个简单的分类模型开发流程kennel包括以下步骤：
  • 将字符变量转换为数值变量
  • 进行缺失值、异常值等数据处理
  • 使用特征向量和标签学习一个预测模型

三、示例：基于随机森林的新闻分类任务

1、引入相关包

from pyspark.sql import SparkSession
import warnings
from pyspark.sql.functions import *
from pyspark import StorageLevel
warnings.filterwarnings('ignore')

2、初始化spark

spark = (SparkSession
         .builder
         .appName('文本分类器')
         .getOrCreate())

3、读取数据

spark_sinanews = spark.read.json('./data/spark_data/sinaNews_201501.json')
spark_sinanews.show(5)

4、查看数据情况

5、数据处理

1、分词

使用jieba分词，安装方法：pip install jieba -i https://pypi.tuna.tsinghua.edu.cn/simple
引入并实例化

import jieba
jieba.initialize()

# 定义udf函数
from pyspark.sql.types import StringType
def cut_words(input_str):
    if not jieba.dt.initialized: #主要是应用于分布式的情况
        jieba.initialize()
    ret = " ".join([w for w in jieba.lcut(input_str)])
    return ret

# 向spark注册自定义函数
preprocess_udf = udf(cut_words,StringType())

查看分词效果

# 添加新列
spark_sinanews = spark_sinanews.withColumn('text_words',preprocess_udf('text'))
spark_sinanews.show(2)

2、类别编码

# 对类别进行编码
spark_sinanews.groupBy('channel_title').count().orderBy(col('count').desc()).show()

from pyspark.ml.feature import StringIndexer,IndexToString
# 字符——》编码
label_stringIdx = StringIndexer(inputCol='channel_title',outputCol='label').fit(spark_sinanews)
# 编码——》字符 用来看预测结果的
labelConverter = IndexToString(inputCol='prediction',outputCol='predictedLabel',labels=label_stringIdx.labels)

3、去除停用词

# 分词与去除停用词
from pyspark.ml.feature import Tokenizer,StopWordsRemover

# 分词
tokenizer = Tokenizer(inputCol='text_words',outputCol='words')

with open('./data/spark_data/my_stop_words.txt',encoding='utf8')as f:
    stop_words = list(f.read().split('\n'))

# 停用词
stop_words_Remover = StopWordsRemover(inputCol='words',outputCol='filtered').setStopWords(stop_words)

4、bow特征

from pyspark.ml import Pipeline
from pyspark.ml.feature import CountVectorizer

#(个数 ，[编码]，[频次])
# 计算总的字数
vocab_tmp = spark_sinanews.select('text_words').rdd.flatMap(lambda line :line['text_words'].split(" "))

vocab = vocab_tmp.map(lambda word :(word,1)).reduceByKey(lambda a,b:a+b)

vocab.count()

# bag of words count
# CountVectorizer将根据语料库中的词频排序选出前vocabSize个词，由于内存限制，取小些
countVectors = CountVectorizer(inputCol='filtered',outputCol='features',vocabSize=10000)

# 1、分词 2、去除停用词 3、bow特征 4、y标签转换
pipeline = Pipeline(stages=[tokenizer,stop_words_Remover,countVectors,label_stringIdx])

# fit the pipeline to training documents
pipelineFit = pipeline.fit(spark_sinanews)
dataSet = pipelineFit.transform(spark_sinanews)

dataSet.show(1)

dataSet.select('features').show(2)

5、数据集切分

dataSet.persist(storageLevel=StorageLevel(True,False,False,False))

# set seed for reproducibility
trainData,testData = dataSet.randomSplit([0.7,0.3],seed=100)
print('train data count:'+str(trainData.count()))
print('test data count:'+str(testData.count()))

6、建立随机森林模型

# 随机森林模型

from pyspark.ml.classification import RandomForestClassifier

# 随便拍一个参数
rf = RandomForestClassifier(labelCol='label',\
                            featuresCol='features',\
                            numTrees=100,\
                            maxDepth=4,\
                            maxBins=32)
pipeline = Pipeline(stages=[tokenizer,stop_words_Remover,countVectors,label_stringIdx,rf,labelConverter])

trainData,testData = spark_sinanews.randomSplit([0.7,0.3])

trainData.persist()
testData.persist()

7、模型训练

# train model ,this also runs the indexers
model = pipeline.fit(trainData)

8、模型预测

predictions = model.transform(testData)
predictions.select('filtered','channel_title','features','prediction','label','predictedLabel').show(5)

9、关闭spark资源

spark.stop()