职业院校大数据技术——数据挖掘1

2401_84181536

于 2024-04-29 05:02:10 发布

阅读量248

点赞数 3

分类专栏：程序员文章标签：大数据数据挖掘人工智能

本文链接：https://blog.csdn.net/2401_84181536/article/details/138298683

版权

程序员专栏收录该内容

153 篇文章 0 订阅

订阅专栏

−

)

]

[x, y] 转换为 [(x - a) / b, (y - c) / d]

[x,y]转换为[(x−a)/b,(y−c)/d]。

基础知识

余弦相似度

A,B为向量，向量长度必须一致，这表示维度一致。
公式如下：
代码如下：


import org.apache.spark.ml.linalg.{Vector, Vectors}
import org.apache.spark.sql.functions.udf

// 定义一个UDF，用于计算两个向量的余弦相似度
val cosineSimilarity = udf((v1: Vector, v2: Vector) => {
  val dotProduct = v1.dot(v2)
  val norms = Vectors.norm(v1, 2) \* Vectors.norm(v2, 2)
  dotProduct / norms
}:Double)

上面的v1,v2可以看作向量A、B。

这段代码是用来计算两个向量的余弦相似度。余弦相似度是一种常用的相似度度量方法，它可以衡量两个向量之间的夹角的余弦值。如果两个向量的方向完全相同，那么它们的余弦相似度就是1；如果两个向量的方向完全相反，那么它们的余弦相似度就是-1；如果两个向量是正交的，那么它们的余弦相似度就是0。

这段代码中的每一行都有特定的作用：

val dotProduct = Vectors.dot(v1, v2)：这行代码计算了向量v1和v2的点积。点积是将两个向量的对应元素相乘，然后将结果相加得到的一个标量。公式中对应分子的计算。
val norms = Vectors.norm(v1, 2) * Vectors.norm(v2, 2)：这行代码计算了向量v1和v2的范数（也就是长度），然后将结果相乘。范数是将向量的每个元素的平方相加，然后取平方根得到的一个标量。公式中对应分母的计算。
dotProduct / norms：这行代码计算了点积除以范数的结果。这就是余弦相似度。

23年国赛题代码

每个feature函数和它调用的子函数表示每个特征工程的任务代码。

为什么要这么写呢？
因为不可能一步到位，所以分步完成每一个任务。

注意：代码中数据获取皆从mysql中获取，任务书可能要求是hive、hudi。

package Bds

import Bds.DataFrameUtils._  // 这是封装的一个获取各种数据仓库配置项的模块
import org.apache.spark.ml.feature._
import org.apache.spark.ml.linalg._
import org.apache.spark.ml.functions.vector\_to\_array
import org.apache.spark.sql.DataFrame
import org.apache.spark.sql.expressions.Window
import org.apache.spark.sql.functions._

object dataMining {
  val spark = getSparkSession("dataM")
  spark.sparkContext.setLogLevel("OFF")
  // 获取mysql配置项
  val mySQLConfig = getMySQLCf("shtd\_store","sku\_info","bigdata1")

  def order_detail(): DataFrame ={
    mySQLConfig("dbtable") = "order\_info"
    val order = spark.read.format("jdbc").options(mySQLConfig).load()
    mySQLConfig("dbtable") = "order\_detail"
    val detail = spark.read.format("jdbc").options(mySQLConfig).load()
    mySQLConfig("dbtable") = "sku\_info"
    val sku_info = spark.read.format("jdbc").options(mySQLConfig).load()

    // 连接三个表即可剔除不存在现有维表的数据
    order.join(detail,order("id")===detail("order\_id"))
      .select(order("user\_id"),detail("sku\_id"))
      .join(sku_info,col("sku\_id")===col("id"))
      // 不确定种类是指sku\_id还是category3\_id，这里用的是category，如果使用sku\_id注释掉下面这一行即可
      .select(col("user\_id"),col("category3\_id").as("sku\_id"))
      .dropDuplicates("user\_id","sku\_id")
  }

  def feature1(targetUser:Int=6708): Unit ={
    val userBuySku = order_detail()

    val resultDf = userBuySku.filter(col("user\_id")=!=targetUser).join(
      userBuySku.filter(col("user\_id")===targetUser),
      Seq("sku\_id"),"semi"
    ).groupBy("user\_id").count()
    val result = resultDf.orderBy(desc("count")).limit(10)
      .collect().map(_.getLong(0)).mkString(",")
    println("-------------------相同种类前10的id结果展示为：--------------------")
    println(result)

  }


  def skuFeature(): DataFrame ={
    // 读取商品数据
    val sku = spark.read.format("jdbc").options(mySQLConfig).load()

    // 对price、weight进行规范化(StandardScaler)
    val vectorCol = Array("price","weight")
    val assembler = new VectorAssembler().setInputCols(vectorCol).setOutputCol("feature")
    val assembled= assembler.transform(sku)
    val Scaler = new StandardScaler().setInputCol("feature").setOutputCol("selectFeature")
      .setWithMean(true)
      .setWithStd(true)
    var scaled = Scaler.fit(assembled).transform(assembled)
      .withColumn("selectFeature", vector_to_array(col("selectFeature")))
      .withColumn("price",col("selectFeature").getItem(0))
      .withColumn("weight",col("selectFeature").getItem(1))


    // scaled.show()
    val categoryColNames:Array[String] = Array("spu\_id","tm\_id","category3\_id")
    // 如果类别字段是从1开始的，就使用下面的代码
    scaled = categoryColNames.foldLeft(scaled){
      (tmpDf,colName)=>{
        tmpDf.withColumn(colName,col(colName)-1)
      }
    }
	// 对类别字段做OneHot处理
    val encoder = new OneHotEncoder()
      .setInputCols(categoryColNames)
      .setOutputCols(Array("spu\_idOH","tm\_idOH","category3\_idOH"))
      .setDropLast(false)
    val encoded = encoder.fit(scaled).transform(scaled)
    val result = encoded.drop(categoryColNames: _\*)
      .select(
        col("id").cast("double"),
        col("price"),
        col("weight"),
        col("spu\_idOH"),
        col("tm\_idOH"),
        col("category3\_idOH")
      )

    // 这里id还是整型，国赛要求是double
    result.orderBy("id")
  }

  def feature2(): Unit ={
    // 只要第一行，节省计算量
    val output = skuFeature().limit(1)
    
    val assembler = new VectorAssembler().setInputCols(Array("id","price","weight","spu\_idOH","tm\_idOH","category3\_idOH"))
      .setOutputCol("V")
    val assembled = assembler.transform(output)
    println("--------------------第一条数据前10列结果展示为：---------------------")
    val V: SparseVector = assembled.first().getAs[SparseVector]("V")
    // 注意每个类型字段都被额外加了一个元素在下标为0的位置
    val result = (0 to 9).map(V(_)).mkString(",")
    println(result)
  }

  /\*\*
 \*
 \* @param targetUser 目标用户
 \* @param top10UserId 通过feature1获得
 \*/
  def recmd_sys(top10UserId:Array[Int],targetUser:Int=6708): Unit ={  
    // 筛除需要使用的数据
    val UserBuySku = order_detail().filter(col("user\_id").isin(top10UserId) || col("user\_id")===targetUser).cache()
    // 剔除目标用户购买过的商品
    val userT = UserBuySku.filter(col("user\_id")===targetUser)  // user id == targetUser 的数据
    val top10UserBuySku= UserBuySku.join(userT,Seq("sku\_id"),"left\_anti")  // 返回不存在6708用户买过的商品数据
      .dropDuplicates("sku\_id")  // 去重商品，避免留下多个用户买过的同一商品

    val sku_feature = skuFeature()

    // sku\_feature所有字段做为向量
    val assembler = new VectorAssembler().setInputCols(sku_feature.columns).setOutputCol("V")
    val assembled = assembler.transform(sku_feature)
      .select(
        col("id").cast("Long"),
        col("V")
      )

    // 跟上各自商品的特征
    val joinOn = col("sku\_id")===col("id")
    val userTWithV = userT.join(assembled,joinOn)
    val top10UserBuySkuWithV = top10UserBuySku.join(assembled,joinOn)

    val result = userTWithV.alias("u").crossJoin(top10UserBuySkuWithV.alias("t"))
      .withColumn("cosineSimilarity",cosineSimilarity(col("u.V"),col("t.V")))
      .groupBy("sku\_id").agg(mean("cosineSimilarity").alias("cosineSimilarity"))

    println("------------------------推荐Top5结果如下------------------------")
    result.orderBy(col("cosineSimilarity").desc).limit(10)
      .collect().map(x=>(x.getLong(0),x.getDouble(1)))
      .zipWithIndex
      .foreach(x=>{
        println(s"相似度top${x.\_2}(商品id：${x.\_1.\_1}，平均相似度：${x.\_1.\_2})")
      })
  }

  def main(args: Array[String]): Unit = {
    // feature1() // 参数填入任务书指定的用户id
    // feature2() // 特征2的结果
    // recmd\_sys() // 推荐系统的结果，参数有注释
    spark.stop()
  }
}



![img](https://img-blog.csdnimg.cn/img_convert/ccde460603514b729f5f1f07e6f785c4.png)
![img](https://img-blog.csdnimg.cn/img_convert/b0674097342521ce72ad9d9d0000669b.png)

**网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。**

**[需要这份系统化资料的朋友，可以戳这里获取](https://bbs.csdn.net/topics/618545628)**


**一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！**

093303)]

**网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。**

**[需要这份系统化资料的朋友，可以戳这里获取](https://bbs.csdn.net/topics/618545628)**


**一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！**