使用 Python+PySpark 做用户画像

♚

作者：KingShine，现居北京，程序猿一枚。主要方向为数据分析、自然语言处理，大数据。希望结交到志同道合的朋友，共同进步。

一、数据准备

本文主要是作为一个PySpark的入手实例来做，数据来源网络。主要用到两个数据文件： action.txt， document.txt。下表为 action.txt，数据格式： userid~docid~behaivor~time~ip，即：用户编码~文档编码~行为~日期~IP地址

下表为 document.txt，数据格式： docid~channelname~source~keyword:score，即：文档编码~类别（大类）~主题（细类）~关键词：权重

二、用户点击率

用户点击率即为 action.txt文件中每个用户behaivor列中1的数量除以0的数量。

1、创建 SparkSession对象

2、读取数据，将数据根据‘~’拆分，获取 userid和 behavior两列

click_rate1数据如下：

3、统计用户的各类行为数

click_rate2数据如下：

4、将 userid, behavior和数量取出作为3列，并转为DataFrame格式

click_rate3_df数据如下：

5、根据 userId进行分组，将 behavior列数据进行旋转作为列标数值为 cnt。并将 behavior的0和1替换为 “browse”和 ”click”。

click_rate5数据如下：

6、填充缺失值

click_rate6数据如下：

7、将计算的数据作为新列添加到数据

click_rate数据如下：

8、将最后处理的数据保存到本地，关闭SparkSession

最后保存到本地的数据为多个文件，每个文件的格式如下：

三、用户标签

使用主题（细类）给用户打标签

1、读取 docunment.txt，获取 docid、 source两列，即文档编码和主题（细类）两列

sources_df数据如下：

2、读取 action.txt，只获取具有点击行为的 userid和 docid数据，即 behavior为1的数据。

actions_df数据如下：

3、创建两个DataFrame的临时视图

4、进行关联查询

interestTags数据如下：

5、将最后处理的数据保存到本地，关闭SparkSession

导出后的数据如下：

踩雷点：

1、代码开发时，可以每个操作跟一个action，方便查看数据，跑批的时候不需要每个都跟，只需要最后一个action，否则会给机器增加很多工作量。

2、中间过程生成的DataFrame必须先建立临时视图，后面才能使用，否则会报错。

赞 赏 作 者

Python中文社区作为一个去中心化的全球技术社区，以成为全球20万Python中文开发者的精神部落为愿景，目前覆盖各大主流媒体和协作平台，与阿里、腾讯、百度、微软、亚马逊、开源中国、CSDN等业界知名公司和技术社区建立了广泛的联系，拥有来自十多个国家和地区数万名登记会员，会员来自以工信部、清华大学、北京大学、北京邮电大学、中国人民银行、中科院、中金、华为、BAT、谷歌、微软等为代表的政府机关、科研单位、金融机构以及海内外知名公司，全平台近20万开发者关注。

▼ 点击成为社区注册会员          「在看」一下，一起PY