第二篇：使用Spark对MovieLens的特征进行提取

前言

       在对数据进行了初步探索后，想必读者对MovieLens数据集有了感性认识。而在数据挖掘/推荐引擎运行前，往往需要对数据预处理。预处理的重要性不言而喻，甚至比数据挖掘/推荐系统本身还重要。

       然而完整的数据预处理工作会涉及到：缺失值，异常值，口径统一，去重，特征提取等等等等，可以单写一本书了，本文无法一一介绍。

       本文仅就特征提取这一话题进行粗略讨论并展示。

类别特征提取

       在很多场景下，数据集的很多特征是类型变量，比如MovieLens里面的职业类型。这样的变量无法作为很多算法的输入，因为这类变量无法作用于样本间距离的计算。

       可参考的方法是 1 of k 编码，就是将某种类型的特征打平，将其转化为具有n列的向量。具体的做法是先为特征列创建字典，然后将各具体特征值映射到 1 of k 编码。

       下面以MoveiLens中的职业类型特征为例，演示特征值为programmer的特征提取：

# 载入数据集
user_data = sc.textFile("/home/kylin/ml-100k/u.user")
# 以' | '切分每列，返回新的用户RDD
user_fields = user_data.map(lambda line: line.split("|"))
# 获取职业RDD并落地
all_occupations = user_fields.map(lambda fields: fields[3]).distinct().collect()
# 对各职业进行排序
all_occupations.sort()
 
# 构建字典
idx = 0
all_occupations_dict = {}
for o in all_occupations:
    all_occupations_dict[o] = idx
    idx +=1
 
# 生成并打印职业为程序员(programmer)的1 of k编码
K = len(all_occupations_dict)
binary_x = np.zeros(K)
k_programmer = all_occupations_dict['programmer']
binary_x[k_programmer] = 1
print "程序员的1 of k编码为: %s" % binary_x

       结果为：

       

派生特征提取

       并非所有的特征均可直接拿来学习。比如电影发行日期特征，它显然无法拿来进行学习。但正如上一节所做的一个工作，将它转化为电影年龄，这就可以在很多场景下进行学习了。

       再比如时间戳属性，可参考将他们转为为：早/中/晚这样的分类变量：

# 载入数据集
rating_data_raw = sc.textFile("/home/kylin/ml-100k/u.data")
# 获取评分RDD
rating_data = rating_data_raw.map(lambda line: line.split("\t"))
ratings = rating_data.map(lambda fields: int(fields[2]))
 
# 函数: 将时间戳格式转换为datetime格式
def extract_datetime(ts):
    import datetime
    return datetime.datetime.fromtimestamp(ts)
 
# 获取小时RDD
timestamps = rating_data.map(lambda fields: int(fields[3]))
hour_of_day = timestamps.map(lambda ts: extract_datetime(ts).hour)
 
# 函数: 将小时映射为分类变量并展示
def assign_tod(hr):
    times_of_day = {
                'morning' : range(7, 12),
                'lunch' : range(12, 14),
                'afternoon' : range(14, 18),
                'evening' : range(18, 23),
                'night' : range(23, 7)
                }
    for k, v in times_of_day.iteritems():
        if hr in v: 
            return k
 
# 获取新的分类变量RDD
time_of_day = hour_of_day.map(lambda hr: assign_tod(hr))
time_of_day.take(5)

       结果为：

       

       若要使用这个特征，大部分机器学习算法可以考虑将其1 of k编码。部分支持分类型变量的算法除外。

       PS：有两个None是因为代码中night:range(23,7)这么写是不对的。算了不纠结，意思懂就好 :)

文本特征提取

       关于文本特征提取方法有很多，本文仅介绍一个简单而又经典的提取方法 - 词袋法。
       其基本步骤如下：

1. 分词 - 将文本分割为由词组成的集合。可根据空格符，标点进行分割；
2. 删除停用词 - the and 这类词无学习的价值意义，删除之；
3. 提取词干 - 将各个词转化为其基本形式，如men -> man；
4. 向量化 - 从根本上来说和1 of k相同。不过由于词往往很多，所以稀疏矩阵技术很重要；

       下面将MovieLens数据集中的影片标题进行特征提取：

# 载入数据集
movie_data = sc.textFile("/home/kylin/ml-100k/u.item")
# 以' | '切分每列，返回影片RDD
movie_fields = movie_data.map(lambda lines: lines.split("|"))
 
# 函数: 剔除掉标题中的(年份)部分
def extract_title(raw):
    import re
    grps = re.search("\((\w+)\)", raw)
    if grps:
        return raw[:grps.start()].strip()
    else:
        return raw
 
# 获取影片名RDD
raw_titles = movie_fields.map(lambda fields: fields[1])
 
# 剔除影片名中的(年份)
movie_titles = raw_titles.map(lambda m: extract_title(m))
 
# 由于仅仅是个展示的例子，简简单单用空格分割
title_terms = movie_titles.map(lambda t: t.split(" "))
 
# 搜集所有的词
all_terms = title_terms.flatMap(lambda x: x).distinct().collect()
# 创建字典
idx = 0
all_terms_dict = {}
for term in all_terms:
    all_terms_dict[term] = idx
    idx +=1
num_terms = len(all_terms_dict)
 
# 函数: 采用稀疏向量格式保存编码后的特征并返回
def create_vector(terms, term_dict):
    from scipy import sparse as sp
    x = sp.csc_matrix((1, num_terms))
    for t in terms:
        if t in term_dict:
            idx = term_dict[t]
            x[0, idx] = 1
    return x
 
# 将字典保存为广播数据格式类型。因为各个worker都要用
all_terms_bcast = sc.broadcast(all_terms_dict)
# 采用稀疏矩阵格式保存影片名特征
term_vectors = title_terms.map(lambda terms: create_vector(terms, all_terms_bcast.value))
# 展示提取结果
term_vectors.take(5)

       其中，字典的创建过程也可以使用Spark提供的便捷函数zipWithIndex，这个函数可以将原RDD中的值作为主键，而新的值为主键在原RDD中的位置：

all_terms_dict2 = title_terms.flatMap(lambda x: x).distinct().zipWithIndex().collectAsMap()

       collectAsMap则是将结果落地为Python的dict格式。

       结果为：

       

归一化特征

       归一化最经典的做法就是所有特征值-最小值/特征区间。但对于一般特征的归一化网上很多介绍，请读者自行学习。本文仅对特征向量的归一化做介绍。

       一般来说，我们是先计算向量的二阶范数，然后让向量的所有元素去除以这个范数。

       下面演示对某随机向量进行归一化：

# 设置随机数种子
np.random.seed(42)
# 生成随机向量
x = np.random.randn(10)
# 产生二阶范数
norm_x_2 = np.linalg.norm(x)
# 归一化
normalized_x = x / norm_x_2
 
# 结果展示
print "向量x:\n%s" % x
print "向量x的2阶范数: %2.4f" % norm_x_2
print "归一化后的向量x:\n%s" % normalized_x
print "归一化后向量x的2阶范数:\n%2.4f" % np.linalg.norm(normalized_x)

       结果为：

       

       Spark的MLlib库提供了专门的正则化函数，它们执行起来的效率显然远远高于我们自己写的：

# 导入Spark库中的正则化类
from pyspark.mllib.feature import Normalizer
# 初始化正则化对象
normalizer = Normalizer()
# 创建测试向量(RDD)
vector = sc.parallelize([x])
# 对向量进行归一化并返回结果
normalized_x_mllib = normalizer.transform(vector).first().toArray()
  
# 结果展示
print "向量x:\n%s" % x
print "向量x的二阶范数: %2.4f" % norm_x_2
print "被MLlib归一化后的向量x:\n%s" % normalized_x_mllib
print "被MLlib归一化后的向量x的二阶范数: %2.4f" % np.linalg.norm(normalized_x_mllib)

       结果请读者自行对比。