Spark探索经典数据集MovieLens，,Spark探索经典数

Spark探索经典数据集MovieLens

阅读目录

前言环境初步预览探索用户数据探索电影数据探索评级数据回到顶部

前言

MovieLens数据集包含多个用户对多部电影的评级数据，也包括电影元数据信息和用户属性信息。

这个数据集经常用来做推荐系统，机器学习算法的测试数据集。尤其在推荐系统领域，很多著名论文都是基于这个数据集的。(PS: 它是某次具有历史意义的推荐系统竞赛所用的数据集)。

下载地址为：http://files.grouplens.org/datasets/movielens/，有好几种版本，对应不同数据量，可任君选用。

本文下载数据量最小的100k版本，对该数据集进行探索：

回到顶部

环境

本人机器所用的操作系统为号称国产操作系统的Ubuntu Kylin 14.04，美化后的界面还是蛮酷炫的：

spark版本为：v1.5.2，下面是集成了Ipython，pylab的python-shell：

回到顶部

初步预览

1. 首先是用户信息：

其中各列数据分别为：

用户id | 用户年龄 | 用户性别 | 用户职业 | 用户邮政编码

2. 然后是影片信息：

其中前几列数据分别为：

影片id | 影片名 | 影片发行日期 | 影片链接 | (后面几列先不去管)

3. 最后是评分数据：

其中各列数据分别为：

用户id | 影片id | 评分值 | 时间戳(timestamp格式)

回到顶部

探索用户数据

1. 打开Spark的python-shell，执行以下代码载入数据集并打印首行记录：

1 # 载入数据集2 user_data = sc.textFile("/home/kylin/ml-100k/u.user")3 # 展示首行记录4 user_data.first()

结果如下：

2. 分别统计用户，性别，职业的个数：

 1 # 以‘ | ‘切分每列，返回新的用户RDD 2 user_fields = user_data.map(lambda line: line.split("|")) 3 # 统计用户数 4 num_users = user_fields.map(lambda fields: fields[0]).count() 5 # 统计性别数 6 num_genders = user_fields.map(lambda fields: fields[2]).distinct().count() 7 # 统计职业数 8 num_occupations = user_fields.map(lambda fields: fields[3]).distinct().count() 9 # 统计邮编数10 num_zipcodes = user_fields.map(lambda fields: fields[4]).distinct().count()11 # 返回结果12 print "用户数: %d, 性别数: %d, 职业数: %d, 邮编数: %d" % (num_users, num_genders, num_occupations, num_zipcodes)

结果如下：

3. 查看年龄分布情况：

1 # 获取用户年龄RDD，并将其落地到驱动程序2 ages = user_fields.map(lambda x: int(x[1])).collect()3 # 绘制用户年龄直方图4 hist(ages, bins=20, color=‘lightblue‘, normed=True)

结果如下：

18岁以上观看者人数激增，估计是“高考”完了时间多了？
20多岁的年轻人，我猜主要是大学生和刚工作不久的年轻人？观看者最多。
然后50岁的观看者也蛮多的，估计是快退休了，开始享受生活了。

4. 查看职业分布情况：

 1 # 并行统计各职业人数的个数，返回职业统计RDD后落地 2 count_by_occupation = user_fields.map(lambda fields: (fields[3], 1)).reduceByKey(lambda x, y: x + y).collect() 3   4 # 生成x/y坐标轴 5 x_axis1 = np.array([c[0] for c in count_by_occupation]) 6 y_axis1 = np.array([c[1] for c in count_by_occupation]) 7 x_axis = x_axis1[np.argsort(y_axis1)] 8 y_axis = y_axis1[np.argsort(y_axis1)] 9  10 # 生成x轴标签11 pos = np.arange(len(x_axis))12 width = 1.013 ax = plt.axes()14 ax.set_xticks(pos + (width / 2))15 ax.set_xticklabels(x_axis)16  17 # 绘制职业人数条状图18 plt.xticks(rotation=30)19 plt.bar(pos, y_axis, width, color=‘lightblue‘)

值得注意的是，统计各职业人数的时候，是将不同职业名记录搜集到不同节点，然后开始并行统计。

结果如下：

果然，是学生，教育工作者观看影片的多。
不过程序猿观众也不少...... 医生是最少看电影的。
这里再给出一种统计各职业人数的解决方案：

1 count_by_occupation2 = user_fields.map(lambda fields: fields[3]).countByValue()

countByValue是Spark提供的便捷函数，它会自动统计每个Key下面的Value个数，并以字典的格式返回。

回到顶部

探索电影数据

1. 打开Spark的python-shell，执行以下代码载入数据集并打印首行记录：

1 # 载入数据集2 movie_data = sc.textFile("/home/kylin/ml-100k/u.item")3 # 展示首行记录4 print movie_data.first()

结果如下：

2. 查看下有多少部电影吧：

1 num_movies = movie_data.count()2 print num_movies 

结果为：

3. 过滤掉没有发行时间信息的记录：

 1 # 输入影片的发行时间字段，若非法则返回1900 2 def convert_year(x): 3     try: 4         return int(x[-4:]) 5     except: 6         return 1900 7   8 # 以‘ | ‘切分每列，返回影片RDD 9 movie_fields = movie_data.map(lambda lines: lines.split("|"))10 # 生成新的影片发行年份RDD，并将空/异常的年份置为1900，11 years = movie_fields.map(lambda fields: fields[2]).map(lambda x: convert_year(x))12 # 过滤掉影片发行年份RDD中空/异常的记录13 years_filtered = years.filter(lambda x: x != 1900)

4. 统计影片的年龄分布：

1 # 生成影片年龄RDD，然后统计不同年龄的影片数并落地2 movie_ages = years_filtered.map(lambda yr: 1998-yr).countByValue()3 # 获得影片数4 values = movie_ages.values()5 # 获得年龄6 bins = movie_ages.keys()7 # 绘制电影年龄分布图8 hist(values, bins=bins, color=‘lightblue‘, normed=True)

因为这份数据集比较老，1998年提供的，所以就按当时的年龄来统计吧。另外这次使用了countByValue来统计个数，而它是执行函数，不需要再collect了。

结果为：

看得出电影库中的电影大都还是比较新的。

回到顶部

探索评级数据

1. 打开Spark的python-shell，执行以下代码载入数据集并打印首行记录：

1 # 载入数据集2 rating_data_raw = sc.textFile("/home/kylin/ml-100k/u.data")3 # 展示首行记录4 print rating_data_raw.first()

结果为：

2. 先看看有多少评分记录吧：

1 num_ratings = rating_data .count()2 print num_ratings

结果为：。果然共有10万条记录，没下载错版本。

3. 统计最高评分，最低评分，平均评分，中位评分，平均每个用户的评分次数，平均每部影片被评分次数：

 1 # 获取评分RDD 2 rating_data = rating_data_raw.map(lambda line: line.split("\t")) 3 ratings = rating_data.map(lambda fields: int(fields[2])) 4 # 计算最大/最小评分 5 max_rating = ratings.reduce(lambda x, y: max(x, y)) 6 min_rating = ratings.reduce(lambda x, y: min(x, y)) 7 # 计算平均/中位评分 8 mean_rating = ratings.reduce(lambda x, y: x + y) / float(num_ratings) 9 median_rating = np.median(ratings.collect())10 # 计算每个观众/每部电影平均打分/被打分次数11 ratings_per_user = num_ratings / num_users12 ratings_per_movie = num_ratings / num_movies13 # 输出结果14 print "最低评分: %d" % min_rating15 print "最高评分: %d" % max_rating16 print "平均评分: %2.2f" % mean_rating17 print "中位评分: %d" % median_rating18 print "平均每个用户打分(次数): %2.2f" % ratings_per_user19 print "平均每部电影评分(次数): %2.2f" % ratings_per_movie

结果为：

另外Spark有个挺实用的统计函数stats可直接获取常用的统计信息，类似R语言的summary函数：

ratings.stats()

结果为：

4. 统计评分分布：

 1 # 生成评分统计RDD，并落地 2 count_by_rating = ratings.countByValue() 3 # 生成x/y坐标轴 4 x_axis = np.array(count_by_rating.keys()) 5 y_axis = np.array([float(c) for c in count_by_rating.values()]) 6 # 对人数做标准化 7 y_axis_normed = y_axis / y_axis.sum() 8   9 # 生成x轴标签10 pos = np.arange(len(x_axis))11 width = 1.012 ax = plt.axes()13 ax.set_xticks(pos + (width / 2))14 ax.set_xticklabels(x_axis)15  16 # 绘制评分分布柱状图17 plt.bar(pos, y_axis_normed, width, color=‘lightblue‘)18 plt.xticks(rotation=30)

结果为：

评分分布看来也应该挺满足正态分布的。

5. 统计不同用户的评分次数：

1 # 首先将数据以用户id为Key分发到各个节点2 user_ratings_grouped = rating_data.map(lambda fields: (int(fields[0]), int(fields[2]))).groupByKey() 3 # 然后统计每个节点元素的个数，也即每个用户的评论次数4 user_ratings_byuser = user_ratings_grouped.map(lambda (k, v): (k, len(v)))5 # 输出前5条记录6 user_ratings_byuser.take(5)

注意到这次使用了groupyByKey方法，这个方法和reduceByKey功能有点相似，但是有区别。请读者自行百度。
结果为：

Spark探索经典数据集MovieLens