環境:Amabri 2.2.2、HDP 2.4.2、Spark 1.6.1
***這是我自己東拼西湊整出來的,錯誤在所難免,但應該也有部分可借鑑之處...***
整體思路:對原始數據提取特徵後,使用KMeans做聚類,把元素明顯少的類視爲異常類,類中的用戶視爲異常用戶,打上標籤,之後用隨機森林進行分類,
訓練出模型後對新數據進行分類,找出異常用戶。
之前統計分析、特徵工程部分用的MySQL,聚類用了R和Mahout,分類用了MLlib,怎一個亂字了得。我想了想覺得完全可以只用Spark完成。
1.前面的統計分析、特徵工程用Spark SQL代替MySQL即可,都是SQL只有部分函數不一樣,改一下就行,比較簡單不再做了。
(我的原則是能用SQL解決的堅決先用SQL 0.0)
2.將MySQL中的特徵表通過Sqoop導入Hive。(Hive和Spark SQL的元數據是共享的)
[ ] -- ... -- - -- --- -
3.使用Spark MLlib進行聚類、分類,注意與[Spark MLlib RandomForest(隨機森林)建模與預測]
(http://blog.csdn.net/dr_guo/article/details/53258037)的區別,這裏是對DataFrame操作的,那篇博客是對RDD操作的。
請注意包名與類名不同org.apache.spark.mllib.tree.RandomForest/org.apache.spark.ml.classification.RandomForestClassifier
遺憾的是Spark1.6.1中MLlib沒有提供基於DataFrame的API來支持ML持久化,據說spark2.0支持了。
[Apache Spark 2.0預覽: 機器學習模型持久化](http://www.infoq.com/cn/articles/spark-apache-2-preview)
下面上代碼
import org.apache.spark.sql.SQLContext
import org.apache.spark.{SparkConf, SparkContext}
import org.apache.spark.ml.clustering.KMeans
import org.apache.spark.ml.feature.VectorAssembler
import org.apache.spark.ml.feature.StringIndexer
import org.apache.spark.ml.classification.RandomForestClassifier
import org.apache.spark.ml.evaluation.BinaryClassificationEvaluator
/**
* Created by drguo on 2016/11/25.
*/
object RunKMeansAndRF {
def main(args: Array[String]): Unit = {
val sparkConf = new SparkConf().setAppName("km")
val sc = new SparkContext(sparkConf)
val sqlContext = new SQLContext(sc)
val v3 = sqlContext.sql("select * from t_log_2016_all").cache()
//選出特徵列
val featureCols = Array("machine_chg_cnt", "ip_chg_cnt", "login_cnt", "logout_cnt", "otherop_cnt", "report_cnt", "send_email_cnt", "out_work_cnt",
"out_commun_cnt", "udisk_out_cnt", "copy_cnt", "udisk_self_exa_cnt", "doc_cnt", "xls_cnt", "pdf_cnt", "ppt_cnt", "et_cnt", "gd_cnt",
"txt_cnt", "xml_cnt", "eqs_cnt", "rar_cnt", "zip_cnt", "tif_cnt", "jpg_cnt", "png_cnt", "bmp_cnt", "op_total_cnt")
//在原DF上增加一列,將前面選出的特徵轉成vector添到此列 features: vector
val assembler = new VectorAssembler().setInputCols(featureCols).setOutputCol("features")
val data = assembler.transform(v3)
//data.show
//data.printSchema
val kmeans = new KMeans().setK(6).setFeaturesCol("features").setPredictionCol("cluster")
val model = kmeans.fit(data)
//model.clusterCenters.foreach(println) 查看類中心
//model.computeCost(data) 可以用來評價模型好壞、調參(越小越好)
val pred = model.transform(data)
//pred.show()
/*
+--------------------+---------------+----------+---------+----------+-----------+----------+--------------+------------+--------------+-------------+--------+------------------+-------+-------+-------+-------+------+------+-------+-------+-------+-------+-------+-------+-------+-------+-------+------------+-------+--------------------+-------+
| usersid|machine_chg_cnt|ip_chg_cnt|login_cnt|logout_cnt|otherop_cnt|report_cnt|send_email_cnt|out_work_cnt|out_commun_cnt|udisk_out_cnt|copy_cnt|udisk_self_exa_cnt|doc_cnt|xls_cnt|pdf_cnt|ppt_cnt|et_cnt|gd_cnt|txt_cnt|xml_cnt|eqs_cnt|rar_cnt|zip_cnt|tif_cnt|jpg_cnt|png_cnt|bmp_cnt|op_total_cnt|date_ym| features|cluster|
+--------------------+---------------+----------+---------+----------+-----------+----------+--------------+------------+--------------+-------------+--------+------------------+-------+-------+-------+-------+------+------+-------+-------+-------+-------+-------+-------+-------+-------+-------+------------+-------+--------------------+-------+
|001461E4-86C64780...| 1| 6| 7.0| 1.0| 1.0| 1.0| 1.0| 1.0| 1.0| 1.0| 1.0| 1.0| 1.0| 1.0| 1.0| 1.0| 1.0| 1.0| 1.0| 1.0| 1.0| 1.0| 1.0| 1.0| 1.0| 1.0| 1.0| 6| 201601|[1.0,6.0,7.0,1.0,...| 0|
*/
//註冊爲臨時表,用sql處理。換成永久表用CTAS語句或直接pred.write.saveAsTable("tablename")!
pred.registerTempTable("v3_km")
//查看每個類各有多少用戶,把用戶明顯過少的類標爲異常類,其中的用戶標爲異常用戶
/*sqlContext.sql("select cluster, count(1) as cnt from v3_km group by cluster").show()
+-------+-----+
|cluster| cnt|
+-------+-----+
| 0|15575|
| 1| 1|
| 2| 3|
| 3| 46|
| 4| 270|
| 5| 2|
+-------+-----+
*/
/*下面的CTAS語句不可行,因爲features是vector格式的,不能轉化爲struct
0類作爲負樣本,打上標籤0
sqlContext.sql("create table rf_input as select *, 0 as label from v3_km where cluster = 0 order by rand() limit 250")
其他類作爲正樣本,打上標籤1
sqlContext.sql("insert into table rf_input select usersid, date_ym, features, 1 from v3_km where cluster != 0 order by rand() limit 250")
*/
//0類作爲負樣本,打上標籤0
val negative_samples = sqlContext.sql("select usersid, date_ym, features, 0 as cluster from v3_km where cluster = 0 order by rand() limit 250")
//其他類作爲正樣本,打上標籤1
val positive_samples = sqlContext.sql("select usersid, date_ym, features, 1 as cluster from v3_km where cluster != 0 order by rand() limit 250")
//合併正負樣本
val rf_input = negative_samples.unionAll(positive_samples).cache()
//rf_input.count
// Create a label column with the StringIndexer
val labelIndexer = new StringIndexer().setInputCol("cluster").setOutputCol("label")
val rfDataset = labelIndexer.fit(rf_input).transform(rf_input)
//將數據集劃分爲訓練集、測試集
val splitSeed = 5043
val Array(trainingData, testData) = rfDataset.randomSplit(Array(0.7, 0.3), splitSeed)
// create the classifier, set parameters for training
val classifier = new RandomForestClassifier().setImpurity("gini").setMaxDepth(3).setNumTrees(20).setFeatureSubsetStrategy("auto").setSeed(5043)
// use the random forest classifier to train (fit) the model
val rfmodel = classifier.fit(trainingData)
// print out the random forest trees
//rfmodel.toDebugString
// run the model on test features to get predictions
val predictions = rfmodel.transform(testData)//要對新數據進行分類,向量化後放進去即可
//predictions.show
/*
+--------------------+-------+--------------------+-------+-----+--------------------+--------------------+----------+
| usersid|date_ym| features|cluster|label| rawPrediction| probability|prediction|
+--------------------+-------+--------------------+-------+-----+--------------------+--------------------+----------+
|013BEA87-5D73409E...| 201603|[1.0,1.0,1.0,1.0,...| 0| 0.0|[18.1097422934236...|[0.90548711467118...| 0.0|
|0592E1A4-7339B97B...| 201609|[1.0,2.0,1.0,1.0,...| 0| 0.0|[17.6858421744611...|[0.88429210872305...| 0.0|
|0646BA92-1A06462F...| 201606|[1.0,1.0,1.0,1.0,...| 0| 0.0|[16.9666881487346...|[0.84833440743673...| 0.0|
|081D24DC-74960FD1...| 201602|[1.0,4.0,1.0,1.0,...| 0| 0.0|[18.2040819160651...|[0.91020409580325...| 0.0|
*/
//將預測結果保存到表中
//predictions.saveAsTable("rf_output")
predictions.write.saveAsTable("rf_output")
// create an Evaluator for binary classification, which expects two input columns: rawPrediction and label.
val evaluator = new BinaryClassificationEvaluator().setLabelCol("label")
// Evaluates predictions and returns a scalar metric areaUnderROC(larger is better). AUC:ROC曲線下的面積,越趨近於1,分類效果越好,爲0.5時相當於瞎猜的效果
val accuracy = evaluator.evaluate(predictions)
//accuracy: Double = 0.9992023928215354
}
}
最後貼一下DataFrame的函數
Action 操作
1、 collect() ,返回值是一個數組,返回dataframe集合所有的行
2、 collectAsList() 返回值是一個java類型的數組,返回dataframe集合所有的行
3、 count() 返回一個number類型的,返回dataframe集合的行數
4、 describe(cols: String*) 返回一個通過數學計算的類表值(count, mean, stddev, min, and max),這個可以傳多個參數,中間用逗號分隔,
如果有字段爲空,那麼不參與運算,只這對數值類型的字段。例如df.describe("age", "height").show()
5、 first() 返回第一行 ,類型是row類型
6、 head() 返回第一行 ,類型是row類型
7、 head(n:Int)返回n行 ,類型是row 類型
8、 show()返回dataframe集合的值 默認是20行,返回類型是unit
9、 show(n:Int)返回n行,,返回值類型是unit
10、 table(n:Int) 返回n行 ,類型是row 類型
dataframe的基本操作
1、 cache()同步數據的內存
2、 columns 返回一個string類型的數組,返回值是所有列的名字
3、 dtypes返回一個string類型的二維數組,返回值是所有列的名字以及類型
4、 explan()打印執行計劃 物理的
5、 explain(n:Boolean) 輸入值爲 false 或者true ,返回值是unit 默認是false ,如果輸入true 將會打印 邏輯的和物理的
6、 isLocal 返回值是Boolean類型,如果允許模式是local返回true 否則返回false
7、 persist(newlevel:StorageLevel) 返回一個dataframe.this.type 輸入存儲模型類型
8、 printSchema() 打印出字段名稱和類型 按照樹狀結構來打印
9、 registerTempTable(tablename:String) 返回Unit ,將df的對象只放在一張表裏面,這個表隨着對象的刪除而刪除了
10、 schema 返回structType 類型,將字段名稱和類型按照結構體類型返回
11、 toDF()返回一個新的dataframe類型的
12、 toDF(colnames:String*)將參數中的幾個字段返回一個新的dataframe類型的,
13、 unpersist() 返回dataframe.this.type 類型,去除模式中的數據
14、 unpersist(blocking:Boolean)返回dataframe.this.type類型 true 和unpersist是一樣的作用false 是去除RDD
集成查詢:
1、 agg(expers:column*) 返回dataframe類型 ,同數學計算求值
df.agg(max("age"), avg("salary"))
df.groupBy().agg(max("age"), avg("salary"))
2、 agg(exprs: Map[String, String]) 返回dataframe類型 ,同數學計算求值 map類型的
df.agg(Map("age" -> "max", "salary" -> "avg"))
df.groupBy().agg(Map("age" -> "max", "salary" -> "avg"))
3、 agg(aggExpr: (String, String), aggExprs: (String, String)*) 返回dataframe類型 ,同數學計算求值
df.agg(Map("age" -> "max", "salary" -> "avg"))
df.groupBy().agg(Map("age" -> "max", "salary" -> "avg"))
4、 apply(colName: String) 返回column類型,捕獲輸入進去列的對象
5、 as(alias: String) 返回一個新的dataframe類型,就是原來的一個別名
6、 col(colName: String) 返回column類型,捕獲輸入進去列的對象
7、 cube(col1: String, cols: String*) 返回一個GroupedData類型,根據某些字段來彙總
8、 distinct 去重 返回一個dataframe類型
9、 drop(col: Column) 刪除某列 返回dataframe類型
10、 dropDuplicates(colNames: Array[String]) 刪除相同的列 返回一個dataframe
11、 except(other: DataFrame) 返回一個dataframe,返回在當前集合存在的在其他集合不存在的
(implicit arg0: scala.reflect.api.JavaUniverse.TypeTag[B]) 返回值是dataframe類型,這個 將一個字段進行更多行的拆分
df.explode("name","names") {name :String=> name.split(" ")}.show();
將name字段根據空格來拆分,拆分的字段放在names裏面
13、 filter(conditionExpr: String): 刷選部分數據,返回dataframe類型 df.filter("age>10").show(); df.filter(df("age")>10).show();
df.where(df("age")>10).show(); 都可以
14、 groupBy(col1: String, cols: String*) 根據某寫字段來彙總返回groupedate類型 df.groupBy("age").agg(Map("age" ->"count"))
.show();df.groupBy("age").avg().show();都可以
15、 intersect(other: DataFrame) 返回一個dataframe,在2個dataframe都存在的元素
16、 join(right: DataFrame, joinExprs: Column, joinType: String)
一個是關聯的dataframe,第二個關聯的條件,第三個關聯的類型:inner, outer, left_outer, right_outer, leftsemi
df.join(ds,df("name")===ds("name") and df("age")===ds("age"),"outer").show();
17、 limit(n: Int) 返回dataframe類型 去n 條數據出來
18、 na: DataFrameNaFunctions ,可以調用dataframenafunctions的功能區做過濾 df.na.drop().show(); 刪除爲空的行
19、 orderBy(sortExprs: Column*) 做alise排序
20、 select(cols:string*) dataframe 做字段的刷選 df.select($"colA", $"colB" + 1)
21、 selectExpr(exprs: String*) 做字段的刷選 df.selectExpr("name","name as names","upper(name)","age+1").show();
22、 sort(sortExprs: Column*) 排序 df.sort(df("age").desc).show(); 默認是asc
23、 unionAll(other:Dataframe) 合併 df.unionAll(ds).show();
24、 withColumnRenamed(existingName: String, newName: String) 修改列表 df.withColumnRenamed("name","names").show();
25、 withColumn(colName: String, col: Column) 增加一列 df.withColumn("aa",df("name")).show();