【原】Spark之机器学习(Python版)(一)——聚类

　　  kmeans聚类相信大家都已经很熟悉了。在Python里我们用kmeans通常调用Sklearn包（当然自己写也很简单）。那么在Spark里能不能也直接使用sklean包呢？目前来说直接使用有点困难，不过我看到spark-packages里已经有了，但还没有发布。不过没关系，PySpark里有ml包，除了ml包，还可以使用MLlib，这个在后期会写，也很方便。

　　首先来看一下Spark自带的例子：

from pyspark.mllib.linalg import Vectors
from pyspark.ml.clustering import KMeans
from pyspark.sql import SQLContext
from pyspark.mllib.linalg import Vectors
#导入数据
data = [(Vectors.dense([0.0, 0.0]),), (Vectors.dense([1.0, 1.0]),),(Vectors.dense([9.0, 8.0]),), (Vectors.dense([8.0, 9.0]),)]
df = sqlContext.createDataFrame(data, ["features"])
#kmeans模型
kmeans = KMeans(k=2, seed=1)
model = kmeans.fit(df)
#簇心数量
centers = model.clusterCenters()
len(centers)
#2
#训练模型
transformed = model.transform(df).select("features", "prediction")
rows = transformed.collect()
rows[0].prediction == rows[1].prediction
#True
rows[2].prediction == rows[3].prediction
# True

　　这个例子很简单，导入的数据是四个稠密向量(可以自己在二维向量里画一下)，设定了两个簇心，最后验证预测的结果是否正确，显示为True，证明预测正确。算法中具体的参数可以参考API中的说明。然而实际生产中我们的数据集不可能以这样的方式一条条写进去，一般是读取文件，关于怎么读取文件，可以具体看我的这篇博文。这里我们采用iris数据集（不要问我为什么又是iris数据集，因为真的太方便了）来给大家讲解一下。

　　

　　我的数据集是csv格式的，而Spark又不能直接读取csv格式的数据，这里我们有两个方式，一是我提到的这篇博文里有写怎么读取csv文件，二是安装spark-csv包（在这里下载）,github地址在这里。按照步骤安装可以了。这里友情提示一下大家，github的安装方法是：

$SPARK_HOME/bin/spark-shell --packages com.databricks:spark-csv_2.11:1.4.0

　　

　　如果报错了，可以把 --packages 换成 --jars，如果还是不行，在加一个 common-csv.jars包放到lib下面就可以了。我因为这个耽误了不少时间，不过具体问题也得具体分析。

　　安装好这个包以后，就可以读取数据了

　　

from pyspark.sql import SQLContext
sqlContext = SQLContext(sc)
data = sqlContext.read.format('com.databricks.spark.csv').options(header='true', inferschema='true').load('iris.csv')
data.show()

　　

　　读取数据以后，我们来看一下数据集：

　　

+------+------------+-----------+------------+-----------+-------+
|row.id|Sepal.Length|Sepal.Width|Petal.Length|Petal.Width|Species|
+------+------------+-----------+------------+-----------+-------+
|     1|         5.1|        3.5|         1.4|        0.2|      0|
|     2|         4.9|        3.0|         1.4|        0.2|      0|
|     3|         4.7|        3.2|         1.3|        0.2|      0|
|     4|         4.6|        3.1|         1.5|        0.2|      0|
|     5|         5.0|        3.6|         1.4|        0.2|      0|
|     6|         5.4|        3.9|         1.7|        0.4|      0|
|     7|         4.6|        3.4|         1.4|        0.3|      0|
|     8|         5.0|        3.4|         1.5|        0.2|      0|
|     9|         4.4|        2.9|         1.4|        0.2|      0|
|    10|         4.9|        3.1|         1.5|        0.1|      0|
|    11|         5.4|        3.7|         1.5|        0.2|      0|
|    12|         4.8|        3.4|         1.6|        0.2|      0|
|    13|         4.8|        3.0|         1.4|        0.1|      0|
|    14|         4.3|        3.0|         1.1|        0.1|      0|
|    15|         5.8|        4.0|         1.2|        0.2|      0|
|    16|         5.7|        4.4|         1.5|        0.4|      0|
|    17|         5.4|        3.9|         1.3|        0.4|      0|
|    18|         5.1|        3.5|         1.4|        0.3|      0|
|    19|         5.7|        3.8|         1.7|        0.3|      0|
|    20|         5.1|        3.8|         1.5|        0.3|      0|
+------+------------+-----------+------------+-----------+-------+
only showing top 20 rows

　　

　　第二步：提取特征

　　我们在上一步导入的数据中label是String类型的，但在Spark中要变成数值型才能计算，不然就会报错。可以利用StringIndexer功能将字符串转化为数值型

from pyspark.ml.feature import StringIndexer

feature = StringIndexer(inputCol="Species", outputCol="targetlabel")
target = feature.fit(data).transform(data)
target.show()

　　targetlabel这一列就是Species转化成数值型的结果

+------+------------+-----------+------------+-----------+-------+-----------+
|row.id|Sepal.Length|Sepal.Width|Petal.Length|Petal.Width|Species|targetlabel|
+------+------------+-----------+------------+-----------+-------+-----------+
|     1|         5.1|        3.5|         1.4|        0.2|      0|        0.0|
|     2|         4.9|        3.0|         1.4|        0.2|      0|        0.0|
|     3|         4.7|        3.2|         1.3|        0.2|      0|        0.0|
|     4|         4.6|        3.1|         1.5|        0.2|      0|        0.0|
|     5|         5.0|        3.6|         1.4|        0.2|      0|        0.0|
|     6|         5.4|        3.9|         1.7|        0.4|      0|        0.0|
|     7|         4.6|        3.4|         1.4|        0.3|      0|        0.0|
|     8|         5.0|        3.4|         1.5|        0.2|      0|        0.0|
|     9|         4.4|        2.9|         1.4|        0.2|      0|        0.0|
|    10|         4.9|        3.1|         1.5|        0.1|      0|        0.0|
|    11|         5.4|        3.7|         1.5|        0.2|      0|        0.0|
|    12|         4.8|        3.4|         1.6|        0.2|      0|        0.0|
|    13|         4.8|        3.0|         1.4|        0.1|      0|        0.0|
|    14|         4.3|        3.0|         1.1|        0.1|      0|        0.0|
|    15|         5.8|        4.0|         1.2|        0.2|      0|        0.0|
|    16|         5.7|        4.4|         1.5|        0.4|      0|        0.0|
|    17|         5.4|        3.9|         1.3|        0.4|      0|        0.0|
|    18|         5.1|        3.5|         1.4|        0.3|      0|        0.0|
|    19|         5.7|        3.8|         1.7|        0.3|      0|        0.0|
|    20|         5.1|        3.8|         1.5|        0.3|      0|        0.0|
+------+------------+-----------+------------+-----------+-------+-----------+
only showing top 20 rows

　　

　　最后一步：模型训练和验证

from pyspark.sql import Row
from pyspark.ml.clustering import KMeans
from pyspark.mllib.linalg import Vectors
 
#把数据格式转化成稠密向量
def transData(row):
    return Row(label=row["targetlabel"],
               features=Vectors.dense([row["Sepal.Length"],
                   row["Sepal.Width"],
                   row["Petal.Length"],
                   row["Petal.Width"]]))
 
#转化成Dataframe格式
transformed = target.map(transData).toDF()
kmeans = KMeans(k=3)
model = kmeans.fit(transformed) 

predict_data = model.transform(transformed)

train_err = predict_data.filter(predict_data['label'] != predict_data['prediction']).count() 
total = predict_data.count()
print traing_err, total, float(train_err)/total

　　到这一步就结束了。总结一下，用pyspark做机器学习时，数据格式要转成需要的格式，不然很容易出错。下周写pyspark在机器学习中如何做分类。