PySpark简介
- 官方对PySpark的释义为:“PySpark is the Python API for Spark”。 也就是说pyspark为Spark提供的Python编程接口。
- Spark使用py4j来实现python与java的互操作,从而实现使用python编写Spark程序。Spark也同样提供了pyspark,一个Spark的python shell,可以以交互式的方式使用Python编写Spark程序。 如:
- from pyspark import SparkContext
- sc = SparkContext("local","Job Name", pyFiles=['MyFile.py', 'lib.zip', 'app.egg'])
- words =sc.textFile("/usr/share/dict/words")
- words.filter(lambda w:w.startswith("spar")).take(5)
PySpark文档主页界面:
PySpark是构建在Java API之上的,如下图:
处理数据并图表分析
下面我通过PySpark对真实的数据集进行处理,并作图形来分析。首先我需要介绍下数据集以及数据处理的环境。
数据集
MovieLens数据集是由Minnesota大学的GroupLens Research Project对电影评分网站(movielens.umn.edu)收集的,数据集包含了1997年9月19日到1998年四月22日间共七个月的数据。这些数据已经被处理过了(清除了那些评分次数少于20次以及信息没有填写完整的数据)
MovieLens数据集,用户对自己看过的电影进行评分,分值为1~5。MovieLens包括两个不同大小的库,适用于不同规模的算法.小规模的库是943个独立用户对1682部电影作的10000次评分的数据(我是用这个小规模作数据处理和分析);通过对数据集分析,为用户预测他对其他未观看的电影的打分,将预测分值高的电影推荐给用户,认为这些电影是用户下一步感兴趣的电影。
数据集结构:
1、943个用户对1682场电影评分,评判次数为100000次,评分标准:1~5分。
2、每位用户至少评判20场电影。
3、简单地统计了用户的一些信息 (age, gender, occupation, zip)
数据用途:
供科研单位和研发企业使用,可用于数据挖掘、推荐系统,人工智能等领域,复杂网络研究等领域。
数据处理的环境
- Hadoop伪分布环境
- Spark Standalone环境
- Anaconda环境:(下载地址:https://www.continuum.io/downloads)
- Anaconda Python 是 Python 科学技术包的合集,包含超过400个流行的科学计算、数学、工程以及数据分析用的包。这里我主要是用它的一些包,免得自己装一些Python包麻烦。
其他:
处理一(用户年龄统计分析)
处理一简介:
通过对用户数据处理,获得用户信息中的年龄。然后对年龄进行统计并使用Python中的图形框架Matplotlib生成柱状图,最后通过柱状图分析观看电影的观众年龄分布趋势。
处理一所有代码:
- #加载HDFS上面的用户数据
- user_data = sc.textFile("hdfs:/input/ml-100k/u.user")
- #打印加载的用户信息第一条
- user_data.first()
- #用"|"分割符分割每一行的数据,然后将数据返回到user_fields
- user_fields = user_data.map(lambda line: line.split("|"))
- #统计总的用户数
- num_users = user_fields.map(lambda fields: fields[0]).count()
- #统计性别的种类数,distinct()函数用来去重。
- num_genders = user_fields.map(lambda fields:fields[2]).distinct().count()
- #统计职位种类数
- num_occupations = user_fields.map(lambda fields:fields[3]).distinct().count()
- #统计邮政编码种类数
- num_zipcodes = user_fields.map(lambda fields:fields[4]).distinct().count()
- #打印统计的这些信息
- print "Users: %d, genders: %d, occupations: %d, ZIP codes: %d" % (num_users, num_genders, num_occupations, num_zipcodes)
- #统计用户年龄
- ages = user_fields.map(lambda x: int(x[1])).collect()
- #通过python中的matplotlib生成图表提供给分析师分析
- import matplotlib.pyplot as plt
- hist(ages, bins=20, color='lightblue', normed=True)
- fig = plt.gcf()
- fig.set_size_inches(16, 10)
- plt.show()
进入Spark安装目录的,然后输入如下命令开启pyspark:
- ./bin/pyspark
之后加载HDFS上面的用户数据(u.user),然后通过user_data.first()打印第一条数据显示数据格式。
统计的HDFS上面的所有用户信息:总共943位用户、男女两种性别、21中职位、795个不同的邮政编码。
Matplotlib是一个Python的图形框架,下面为matplotlib工作过程的打印信息:
Matplotlib对统计后的数据图形化显示:
用户年龄分布图:
结论:
通过生成的柱状图我们可以看出这些电影观众年龄段趋于青年,并且大部分用户年龄都在15到35之间。
处理二(用户职位统计分析)
处理二简介:
首先对用户数据处理,获得用户信息中的职位种类以及每种职位用户个数。然后对职位进行统计并使用Python中的图形框架Matplotlib生成柱状图,最后通过柱状图分析观看电影的观众职位以及人数分布趋势。
- #处理职位那一列,通过类似于MapReduce经典例子WordCount处理过程处理职位
- count_by_occupation = user_fields.map(lambda fields: (fields[3], 1)).reduceByKey(lambda x, y: x + y).collect()
- #导入numpy模块
- import numpy as np
- #获取用户职位,并作为柱状图的x轴数据显示
- x_axis1 = np.array([c[0] for c in count_by_occupation])
- #获取用户的各个职位数,并作为y轴数据显示
- y_axis1 = np.array([c[1] for c in count_by_occupation])
- #让x轴类别的显示按照y轴中每种职位的个数升序排序
- x_axis = x_axis1[np.argsort(y_axis1)]
- #y轴也是升序
- y_axis = y_axis1[np.argsort(y_axis1)]
- #设置柱状图中x轴范围以及width
- pos = np.arange(len(x_axis))
- width = 1.0
- #将统计的职位信息使用matplotlib生成柱状图
- from matplotlib import pyplot as plt
- ax = plt.axes()
- ax.set_xticks(pos + (width / 2))
- ax.set_xticklabels(x_axis)
- plt.bar(pos, y_axis, width, color='lightblue')
- plt.xticks(rotation=30)
- fig = plt.gcf()
- fig.set_size_inches(16, 10)
- plt.show()
用户职位信息处理过程:
用户职位信息统计并生成柱状图:
用户职位分布图:
从最终生成的图表中,我们可以看出电影观众大部分都是student, educator, administrator, engineer和programmer。并且student的人数领先其他职位一大截。
处理三(电影发布信息统计分析)
处理三简介:
- 首先对用户数据处理,获得用户评价的电影发布时间信息。然后以1998年为最高年限减去电影发布的年限(数据集统计的时间为1998年)得到的值作为x轴,接着通过Python中的图形框架Matplotlib生成柱状图,最后通过柱状图分析当时电影发布时间趋势。
- 电影信息有一些脏数据,所以需要先作处理。
处理三所有代码:
- #从HDFS中加载u.item数据
- movie_data = sc.textFile("hdfs:/input/ml-100k/u.item")
- #打印第一条数据,查看数据格式
- print movie_data.first()
- #统计电影总数
- num_movies = movie_data.count()
- print "Movies: %d" % num_movies
- #定义函数功能为对电影数据预处理,对于错误的年限,使用1900填补
- def convert_year(x):
- try:
- return int(x[-4:])
- except:
- return 1900 # there is a 'bad' data point with a blank year,which we set to 900 and will filter out later
- #使用"|"分隔符分割每行数据
- movie_fields = movie_data.map(lambda lines: lines.split("|"))
- #提取分割后电影发布年限信息,并做脏数据预处理
- years = movie_fields.map(lambda fields: fields[2]).map(lambda x:convert_year(x))
- #获取那些年限为1900的电影(部分为脏数据)
- years_filtered = years.filter(lambda x: x != 1900)
- #计算出电影发布时间与1998年的年限差
- movie_ages = years_filtered.map(lambda yr: 1998-yr).countByValue()
- #将年限差作为x轴,电影数量作为y轴作柱状图
- values = movie_ages.values()
- bins = movie_ages.keys()
- from matplotlib import pyplot as plt1
- plt1.hist(values, bins=bins, color='lightblue', normed=True)
- fig = plt1.gcf()
- fig.set_size_inches(16,10)
- plt1.show()
从HDFS上加载电影数据并打印第一条数据查看数据格式:
打印的电影数据格式:
打印的电影总数:
电影发布年限分布图:(x轴为1998减去电影发布年限)
结论:
从最终生成的图表中,我们可以看出绝大多数电影发布时间都在1988-1998年之间。
处理四(用户评分统计分析)
处理四简介:
首先对用户数据处理,获得用户对电影的评分数,然后统计评分1-5的每个评分个数,然后绘制图表供分析。
处理四所有代码:
- #从HDFS上面加载用户评分数据
- rating_data = sc.textFile("hdfs:/input/ml-100k/u.data")
- print rating_data.first()
- #统计评分记录总数
- num_ratings = rating_data.count()
- print "Ratings: %d" % num_ratings
- #使用"\t"符分割每行数据
- rating_data = rating_data.map(lambda line: line.split("\t"))
- #获取每条数据中的用户评分数集合
- ratings = rating_data.map(lambda fields: int(fields[2]))
- #获取最大评分数
- max_rating = ratings.reduce(lambda x, y: max(x, y))
- #获取最小评分数
- min_rating = ratings.reduce(lambda x, y: min(x, y))
- #获取平均评分数
- mean_rating = ratings.reduce(lambda x, y: x + y) / num_ratings
- #获取评分中位数
- median_rating = np.median(ratings.collect())
- #每位用户平均评分
- ratings_per_user = num_ratings / num_users
- #每位用户评了几场电影
- ratings_per_movie = num_ratings / num_movies
- #打印上面这些信息
- print "Min rating: %d" % min_rating
- print "Max rating: %d" % max_rating
- print "Average rating: %2.2f" % mean_rating
- print "Median rating: %d" % median_rating
- print "Average # of ratings per user: %2.2f" % ratings_per_user
- print "Average # of ratings per movie: %2.2f" % ratings_per_movie
- #获取评分数据
- count_by_rating = ratings.countByValue()
- import numpy as np
- #x轴的显示每个评分(1-5)
- x_axis = np.array(count_by_rating.keys())
- #y轴显示每个评分所占概率,总概率和为1
- y_axis = np.array([float(c) for c in count_by_rating.values()])
- y_axis_normed = y_axis / y_axis.sum()
- pos = np.arange(len(x_axis))
- width = 1.0
- #使用matplotlib生成柱状图
- from matplotlib import pyplot as plt2
- ax = plt2.axes()
- ax.set_xticks(pos + (width / 2))
- ax.set_xticklabels(x_axis)
- plt2.bar(pos, y_axis_normed, width, color='lightblue')
- plt2.xticks(rotation=30)
- fig = plt2.gcf()
- fig.set_size_inches(16, 10)
- plt2.show()
从HDFS加载数据
评分记录总数:
评分的一些统计信息;
统计评分信息并生成柱状图:
用户电影评价分布图:
结论:
从图中我们可以看出电影的评分大都在3-5分之间。
处理五(用户总评分统计分析)
处理五简介:
首先对用户数据处理,获得用户对电影的总评分数(每位至少评价20次,评分在1-5之间)然后绘制图表供分析。
处理四所有代码:
- #获取用户评分次数和每次评分
- user_ratings_grouped = rating_data.map(lambda fields: (int(fields[0]),int(fields[2]))).groupByKey()
- #用户ID以及该用户评分总数
- user_ratings_byuser = user_ratings_grouped.map(lambda (k, v): (k,len(v)))
- #打印5条结果
- user_ratings_byuser.take(5)
- #生成柱状图
- from matplotlib import pyplot as plt3
- user_ratings_byuser_local = user_ratings_byuser.map(lambda (k, v):v).collect()
- plt3.hist(user_ratings_byuser_local, bins=200, color='lightblue',normed=True)
- fig = plt3.gcf()
- fig.set_size_inches(16,10)
- plt3.show()
打印用户5条处理后的结果:
生成每位用户评分总数分布图:
结论:
从图中可以看出总评分在100以内的占了绝大多数。当然,100到300之间还是有一部分的。
注意事项
1、要显示Python图标,必须要操作系统有图形界面。
2、Python必要有matplotlib 模块。
3、必须要以root用户开启PySpark,不然会报以下错误,没有权限连接x Server。