Spark機器學習實戰(zhàn)（三）電影評分數(shù)據(jù)處理與特征提取

這部分主要講了進行數(shù)據(jù)可視化之后如何進行必要的數(shù)據(jù)處理，原因是原始數(shù)據(jù)并非完整。隨后，我們要從數(shù)據(jù)中提取出我們需要的特征。使用的數(shù)據(jù)集依然是MovieLens 100k數(shù)據(jù)集，平臺為Python Spark。

文章中列出了關鍵代碼，完整代碼見我的github repository，這篇文章的代碼在chapter03/movielens_feature.py

第1步：數(shù)據(jù)處理與轉換

數(shù)據(jù)出現(xiàn)缺失或者異常時，常見的處理方法有：

• 過濾或刪除非規(guī)整或有缺失的數(shù)據(jù)
• 填充非規(guī)整或有缺失的數(shù)據(jù)
• 對異常值作魯棒處理
• 對可能的異常值進行轉換

由于我們采用的數(shù)據(jù)集數(shù)據(jù)缺失問題幾乎沒有，因此這部分不用特別處理。

第2步：特征提取

特征主要包含以下三種：

• 數(shù)值特征：比如年齡，可以直接作為數(shù)據(jù)的一個維度
• 類別特征：多個類別中的一種，但是類別特征一般有多少個類就會有多少個維度
• 文本特征：如電影評論

數(shù)值特征

數(shù)值特征也需要進行轉換，因為不是所有的數(shù)值特征都有意義。

比如年齡就是一個很好的數(shù)值特征，可以不加處理直接用，因為年齡的增加與減少與目標有直接關系。然而，如經緯度的位置特征，有時就不太好直接用，需要做一些處理，甚至可以轉換為類別特征。

類別特征

k類的類別特征需要轉換成一個k bits的向量

我們來對MovieLens數(shù)據(jù)集中的用戶職業(yè)進行處理，轉換為類別特征。

all_occupations = occupation_data.distinct().collect()
all_occupations.sort()
occupation_dict = {}
for i, occu in enumerate(all_occupations):
    occupation_dict[occu] = i
user_tom_occupation = 'programmer'
tom_occupation_feature = np.zeros(len(all_occupations))
tom_occupation_feature[occupation_dict[user_tom_occupation]] = 1
print("Binary feature of tom's occupation (programmer) is:")
print(tom_occupation_feature)

結果為：

Binary feature of tom's occupation (programmer) is:
[ 0.  0.  0.  0.  0.  0.  0.  0.  0.  0.  0.  0.  0.  0.  1.  0.  0.  0.
  0.  0.  0.]

派生特征

派生特征是指從原始數(shù)據(jù)經過一些處理后得到的特征，如之前計算過的用戶打分電影總數(shù)，電影年齡等等。

下面的例子，是把u.data中的時間戳特征轉換為類別特征，表征這條評分是在一天中的什么時段給出的。

rating_data = sc.textFile("%s/ml-100k/u.data" % PATH)
rating_fields = rating_data.map(lambda line: line.split('\t'))
timestamps = rating_fields.map(lambda fields: int(fields[3]))
hour_of_day = timestamps.map(lambda ts: datetime.fromtimestamp(ts).hour)
times_of_day_dict = {}
for hour in range(24):
    if hour in range(7, 12):
        times_of_day_dict[hour] = "morning"
    elif hour in range(12, 14):
        times_of_day_dict[hour] = "lunch"
    elif hour in range(14, 18):
        times_of_day_dict[hour] = "afternoon"
    elif hour in range(18, 23):
        times_of_day_dict[hour] = "evening"
    else:
        times_of_day_dict[hour] = "night"
time_of_day = hour_of_day.map(lambda hour: times_of_day_dict[hour])
print(hour_of_day.take(5))
print(time_of_day.take(5))

這段代碼的運行結果為

[23, 3, 15, 13, 13]
['night', 'night', 'afternoon', 'lunch', 'lunch']

可以看到，時間戳先被轉化為當天的小時點，隨后轉化為了時段，之后可以轉化為類別特征

文本特征

理論上來說，文本特征也可以看作一個類別特征，然而文本很少出現(xiàn)重復，因此效果會很不理想。

下面用的是自然語言處理（NLP）常見的詞袋法（bag-of-word），簡而言之，詞袋法就是把數(shù)據(jù)集中出現(xiàn)過的所有單詞構成一個詞典，比如說有K個單詞。隨后以一個K維向量表示一段文字，文字中出現(xiàn)過的單詞記錄為1，其余為0。由于大部分詞不會出現(xiàn)，因此很適合用稀疏矩陣表示。

首先我們用正則表達式去除電影標題中括號內的年份信息，再把每個電影標題分解為單詞的列表。

def extract_title(raw):
    grps = re.search("\((\w+)\)", raw)
    if grps:
        return raw[:grps.start()].strip()
    else:
        return raw
movie_data = sc.textFile("%s/ml-100k/u.item" % PATH)
movie_fields = movie_data.map(lambda line: line.split('|'))
raw_titles = movie_fields.map(lambda fields: fields[1])
print
print("Remove year information in '()'")
for raw_title in raw_titles.take(5):
    print(extract_title(raw_title))
movie_titles = raw_titles.map(extract_title)
title_terms = movie_titles.map(lambda line: line.split(' '))
print
print("Split words.")
print(title_terms.take(5))

輸出為：

Remove year information in '()'
Toy Story
GoldenEye
Four Rooms
Get Shorty
Copycat

Split words.
[[u'Toy', u'Story'], [u'GoldenEye'], [u'Four', u'Rooms'], [u'Get', u'Shorty'], [u'Copycat']]

再利用flatMap RDD操作把所有出現(xiàn)過的單詞統(tǒng)計出來，構建成單詞辭典，形式為(單詞，編號)。

all_terms = title_terms.flatMap(lambda x: x).distinct().collect()
all_terms_dict = {}
for i, term in enumerate(all_terms):
    all_terms_dict[term] = i
print
print("Total number of terms: %d" % len(all_terms_dict))

最后把標題映射成一個高維的稀疏矩陣，出現(xiàn)過的單詞處為1。注意我們把詞典all_terms_dict作為一個廣播變量是因為這個變量會非常大，事先分發(fā)給每個計算節(jié)點會比較好。

from scipy import sparse as sp
def create_vector(terms, term_dict):
    num_terms = len(term_dict)
    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
all_terms_bcast = sc.broadcast(all_terms_dict)
term_vectors = title_terms.map(lambda 
    terms: create_vector(terms, all_terms_bcast.value))
print
print("The first five terms of converted sparse matrix of title")
print(term_vectors.take(5))

輸出為：

[<1x2645 sparse matrix of type '<type 'numpy.float64'>'
    with 2 stored elements in Compressed Sparse Column format>, 
..., <1x2645 sparse matrix of type '<type 'numpy.float64'>'
    with 1 stored elements in Compressed Sparse Column format>]

正則化特征

通常我們獲得的特征需要進行一下正則化處理。正則化特征分為兩種：

• 第一種為正則化某一個特征，比如對數(shù)據(jù)集中的年齡進行正則化，使它們的平均值為0，方差為1

• 第二種為正則化特征向量，就是對某一個sample的特征進行正則化，使得它的范數(shù)為 1（常見為二階范數(shù)為1，二階范數(shù)是指平方和開根號）

例子是第二種，正則化特征向量。第一種方式是用numpy的函數(shù)。

np.random.seed(42)
x = np.random.randn(4)
norm_x = np.linalg.norm(x)
normalized_x = x / norm_x
print
print("x: %s" % x)
print("2-norm of x: %.4f" % norm_x)
print("normalized x: %s" % normalized_x)

輸出為：

x: [ 0.49671415 -0.1382643   0.64768854  1.52302986]
2-norm of x: 1.7335
normalized x: [ 0.28654116 -0.07976099  0.37363426  0.87859535]

第二種方式是用MLlib正則化特征向量

from pyspark.mllib.feature import Normalizer
normalizer = Normalizer()
vector = sc.parallelize([x])
normalized_x_mllib = normalizer.transform(vector).first().toArray()
print("MLlib normalized x: %s" % normalized_x)

結果自然是一樣的，當然是選擇使用MLlib自帶函數(shù)更好了。

至此，這篇文章內容就結束了。