在进行机器学习的时候,我们需要对单个体进行多维度分析,比如说在日志审计系统,我们需要对每一个操作账户进行操作次数统计,总操作次数统计,方差,极值,中值,突变度等计算。有时,也要计算非工作时间的访问,方差,极值,中值,突变度等数据。
过去的做法是,读取每一个账户的操作记录,然后分别计算一系列指标,最后通过cluster_foreach循环方式解决......
这种方式的缺点是显而易见的,10000个人需要计算10000次,实际的项目经验是百万人级别,集群任务过多对硬件的要求也比较大,项目执行起来难度就比较大。
在长期实践中,OpenFEA团队不断探索创新,引入numpy模块,创新性的解决了多个体多维度计算问题,在32万个体的总过2000万条记录上,使用该模块,在未使用集群的情况下,在30分钟时间内顺利计算了40个指标,充分展现了fea在数据分析领域的强大计算能力和极佳的便捷性。
在这里,笔者不打算介绍具体的项目,而是把计算过程中用的核心概念,核心方法展示出来,结合一个小数据,让大家在实际操作中具体的感受numpy模块是什么,能进行什么运算,怎么调用运算等,这样便于大家抓住本质。
1、numpy模块的高级运算——调用方法
原始数据如下:
1)和udf0.df_row_lambda 函数结合
a=@udf a by udf0.df_rowl with (lambda x:np.sum(x))
可以看见,np.sum()就是对整行求和
a=@udf a by udf0.df_row_lambda with (x:np.sum(x[:7]))
可以发现,x[0:7]就是对a行取前7列的意思
2)numpy模块的实质
提供了一个多维函数模块,28=np.sum(1,2,3,4,5,6,7)
可以通过lambda函数调用
2、numpy模块的高级运算——设定范围
原始数据如下:
1) 对第1行“取0到2求和”,第2行“取1到3求和”,...
a=@udf a by udf0.df_rowl with (lambda x:np.sum(x[x["start"]:x["end"]+1]))
可以看见,在lambda运算中,“运算元素”可以随意组合
2) 对第1行“取0到2求和”,第2行“取1到2的最大值”,...
l a=@udf a by udf0.df_rowl with (lambda x:np.sum(x[x["start"]:x["end"]+1]) if x["start"]%2==0 else np.max(x[x["start"]:x["end"]]) )
把if语句也套用进来了,处理的灵活性大大增强
3)对大于3的值求和
a=@udf a by udf0.df_rowl with (lambda x:np.dot(x[0:],x[0:]>3))
3、numpy模块的高级运算——错位运算
原始数据如下:
1)第一行的“1到3列”和“0到2列”错位相减,然后求和
(2-1)+(3-2)+(4-3)=3
a=@udf a by udf0.df_rowl with (lambda x:np.sum(np.array(x[x["start"]+1:x["end"]+2])-np.array(x[x["start"]:x["end"]+1])))
可以看到x[7]和x["start"]是同一个值
2)函数详解
np.array()函数实现了,把序列x[0:3]="1,2,3"转换成为矩阵(1,2,3)
np.sum()函数同时支持序列元素求和及矩阵元素求和
4、numpy模块的高级运算——必要说明
1)numpy模块中的方差,标准差的定义和fea基本运算中的agg_group模块中的定义不一致,全样本方差和样本方差不同(除以n还是除以n-1的差别)
2)numpy模块中average函数和其他函数的处理细节不是很一致,使用前需要验证,确认可以满足算法需求
5、numpy模块的高级运算——运算优势
1)把复杂的错位运算,变成一个lambda表达式,可以对百万级的运算个体同时计算某个测量指标,而不要分个体逐一计算,彻底解决机器学习中,个体多,维度多的分析计算需求。
2)可以和lambda函数,深度套用,灵活多变,非常适合科学计算。
3)语言接近矩阵语言,稍微有点矩阵知识即可灵活使用。
6、总结
1)通过上面的演示,相信大家可以通过lambda函数,顺利调用numpy模块,对数据进行切块分段计算,错位计算也都有了一定的认知。
2)需要提醒大家的是,数据分析本身就是很具有灵活性,在实际项目中,结果是否符合自己的期望,是否正确,很多时候不是“工具本身”说了算,而是“项目需求”要怎么做,确切搞明白每一段代码运算结果的“项目含义”。
3)再次提醒大家,numpy模块异常丰富,本文只是一个模型、展示,将相关的概念、用法、技巧“简单点到”而做不到“包教包会”,需要大家根据项目本身,提出概念、模型,然后翻译成numpy语言。