pysrapk 处理movielens

1、数据集下载

https://grouplens.org/datasets/movielens

参考地址

2、数据集下文件格式u.user用户属性文件

包含user.id用户ID    gender性别   occupation职业    ZIP code邮编等属性，每个属性之间用|分割

u.item电影元数据

包含movie.id电影ID    title电影标题    release date电影上映日期    IMDB link 电影分类向量等属性，每个属性之间用|分割

u.data用户对电影的评级

包含user.id用户ID    movie.id电影ID    rating评分(从1-5)    timestamp时间戳等属性，每个属性之间用制表符 分割

下载文件名称   ：ml-100k

3、用户数据分析

from pyspark import SparkContext
from pyspark.sql import SQLContext,SparkSession

from pyspark.sql.types import *



# solve the question:AttributeError: 'PipelinedRDD' object has no attribute 'toDF'

spark=SparkSession.builder.appName("lz").getOrCreate()
sc = SparkContext.getOrCreate()

user_data = sc.textFile("/Users/xdstar/Desktop/ml-100k/u.user")
# 打印加载的用户信息第一条
user_data.first()
print(user_data.first())
# 用"|"分割符分割每一行的数据，然后将数据返回到user_fields
user_fields = user_data.map(lambda line: line.split("|"))
# 统计总的用户数
print(user_fields.first())
num_users = user_fields.map(lambda fields: fields[0]).count()
# 统计性别的种类数，distinct()函数用来去重。
num_genders = user_fields.map(lambda fields: fields[2]).distinct().count() #这里注意 里边的参数fields是随意写的
#  写成 lambda a: a[1] 也是可以的 无所谓
print(num_genders,'性别种类')
# 统计职位种类数
num_occupations = user_fields.map(lambda fields: fields[3]).distinct().count()
# 统计邮政编码种类数
num_zipcodes = user_fields.map(lambda fields: fields[4]).distinct().count()
# 打印统计的这些信息
print("Users: %d, genders: %d, occupations: %d, ZIP codes: %d" % (num_users, num_genders, num_occupations, num_zipcodes))

# 统计用户年龄  转换成int类型的列表
ages = user_fields.map(lambda x: int(x[1])).collect()
print(ages,'年龄')  #打印结果 如  [24, 53, 23, 24, 33, 42, 57,]
# 通过python中的matplotlib生成图表提供给分析师分析
import matplotlib.pyplot as plt

plt.hist(ages, bins=20, color='lightblue', normed=True)
fig = plt.gcf()
fig.set_size_inches(16, 10)
plt.show()

用户的年龄段分布图

 

处理二（用户职位统计分析）

处理二简介：

首先对用户数据处理，获得用户信息中的职位种类以及每种职位用户个数。然后对职位进行统计并使用Python中的图形框架Matplotlib生成柱状图，最后通过柱状图分析观看电影的观众职位以及人数分布趋势。

处理二所有代码：（在上一个处理过程的基础上）

# 处理职位那一列，通过类似于MapReduce经典例子WordCount处理过程处理职位
count_by_occupation = user_fields.map(lambda fields: (fields[3], 1)).reduceByKey(lambda x, y: x + y).collect()
# 导入numpy模块
import numpy as np

# 获取用户职位，并作为柱状图的x轴数据显示
x_axis1 = np.array([c[0] for c in count_by_occupation])
# 获取用户的各个职位数，并作为y轴数据显示
y_axis1 = np.array([c[1] for c in count_by_occupation])
# 让x轴类别的显示按照y轴中每种职位的个数升序排序
x_axis = x_axis1[np.argsort(y_axis1)]
# y轴也是升序
y_axis = y_axis1[np.argsort(y_axis1)]

# 设置柱状图中x轴范围以及width
pos = np.arange(len(x_axis))
width = 1.0

# 将统计的职位信息使用matplotlib生成柱状图
from matplotlib import pyplot as plt

ax = plt.axes()
ax.set_xticks(pos + (width / 2))
ax.set_xticklabels(x_axis)
plt.bar(pos, y_axis, width, color='lightblue')
plt.xticks(rotation=30)
fig = plt.gcf()
fig.set_size_inches(16, 10)
plt.show()

 

处理三（电影发布信息统计分析）

处理三简介：

首先对用户数据处理，获得用户评价的电影发布时间信息。然后以1998年为最高年限减去电影发布的年限（数据集统计的时间为1998年）得到的值作为x轴，接着通过Python中的图形框架Matplotlib生成柱状图，最后通过柱状图分析当时电影发布时间趋势。
电影信息有一些脏数据，所以需要先作处理。

处理三所有代码：

import pandas as pd
from pyspark.sql import SparkSession
from pyspark import SparkContext
from pyspark.sql import SQLContext
from pyspark.sql.types import *

# solve the question:AttributeError: 'PipelinedRDD' object has no attribute 'toDF'

spark=SparkSession.builder.appName("lz").getOrCreate()
sc = SparkContext.getOrCreate()
# 从HDFS中加载u.item数据

movie_data = sc.textFile("/Users/xdstar/Desktop/ml-100k/u.item")
# 打印第一条数据，查看数据格式
print(movie_data.first())

# 统计电影总数
num_movies = movie_data.count()
print("Movies: %d" % num_movies)


# 定义函数功能为对电影数据预处理，对于错误的年限，使用1900填补
def convert_year(x):
    try:
        return int(x[-4:])
    except:
        return 1900  # there is a 'bad' data point with a blank year,which we set to 900 and will filter out later


# 使用"|"分隔符分割每行数据
movie_fields = movie_data.map(lambda lines: lines.split("|"))
# 提取分割后电影发布年限信息，并做脏数据预处理
years = movie_fields.map(lambda fields: fields[2]).map(lambda x: convert_year(x))
print(years.first(),'这是年限===')
# 获取那些年限为1900的电影（部分为脏数据）
years_filtered = years.filter(lambda x: x != 1900)
# 计算出电影发布时间与1998年的年限差
movie_ages = years_filtered.map(lambda yr: 1998 - yr).countByValue()
print(movie_ages.values(),movie_ages.keys(),'年限差')
# 将年限差作为x轴，电影数量作为y轴作柱状图
values = movie_ages.values()
bins =sorted(list(movie_ages.keys()))  #这里注意bins 要是一个有序的列表，升序的，否则会报错
width = bins[1] - bins[0]

from matplotlib import pyplot as plt1
plt1.hist(values, bins=bins, color='lightblue', normed=True,)
fig = plt1.gcf()
fig.set_size_inches(16, 10)
plt1.show()

得到的图

转自：https://www.cnblogs.com/wangkun122/articles/10676034.html