獲取公開數(shù)據(jù)集

UCL機(jī)器學(xué)習(xí)知識(shí)庫：包括近300個(gè)不同大小和類型的數(shù)據(jù)集，可用于分類、回歸、聚類 和推薦系統(tǒng)任務(wù)。數(shù)據(jù)集列表位于：http://archive.ics.uci.edu/ml/。
Amazon AWS公開數(shù)據(jù)集：包含的通常是大型數(shù)據(jù)集，可通過Amazon S3訪問。這些數(shù)據(jù) 集包括人類 基因組項(xiàng)目 、 Common Crawl 網(wǎng)頁語料 庫、維基百 科數(shù)據(jù)和 Google Books Ngrams。相關(guān)信息可參見：http://aws.amazon.com/publicdatasets/。
Kaggle：這里集合了Kaggle舉行的各種機(jī)器學(xué)習(xí)競賽所用的數(shù)據(jù)集。它們覆蓋分類、回 歸、排名、推薦系統(tǒng)以及圖像分析領(lǐng)域，可從Competitions區(qū)域下載：http://www.kaggle.com/ competitions。
KDnuggets：這里包含一個(gè)詳細(xì)的公開數(shù)據(jù)集列表，其中一些上面提到過的。該列表位 于：http://www.kdnuggets.com/datasets/index.html。
注意:
Spark 1.2.0引入了一個(gè)實(shí)驗(yàn)性質(zhì)的新MLlib API，位于ml包下（現(xiàn)有的接口 則位于mllib包下）。新API旨在加強(qiáng)原有的API和接口的設(shè)計(jì)，從而更容易銜接 數(shù)據(jù)流程的各個(gè)環(huán)節(jié)。這些環(huán)節(jié)包括特征提取、正則化、數(shù)據(jù)集轉(zhuǎn)化、模型訓(xùn)練 和交叉驗(yàn)證。
新API仍處于實(shí)現(xiàn)階段，在后續(xù)的版本中可能會(huì)出現(xiàn)重大的變更。因此，后 續(xù)的章節(jié)將只關(guān)注相對更成熟的現(xiàn)有MLlib API。隨著版本的更新，本書所提到 的各種特征提取方法和模型將會(huì)簡單地橋接到新API中。但新API的核心思路和 大部分底層代碼仍會(huì)保持原樣。

探索與可視化數(shù)據(jù)

用戶數(shù)據(jù)

電影數(shù)據(jù)

評級數(shù)據(jù)

處理與轉(zhuǎn)換數(shù)據(jù)

過濾掉或刪除非規(guī)整或有值缺失的數(shù)據(jù)：這通常是必須的，但的確會(huì)損失這些數(shù)據(jù)里那 些好的信息。
填充非規(guī)整或缺失的數(shù)據(jù)：可以根據(jù)其他的數(shù)據(jù)來填充非規(guī)整或缺失的數(shù)據(jù)。方法包括 用零值、全局期望或中值來填充，或是根據(jù)相鄰或類似的數(shù)據(jù)點(diǎn)來做插值（通常針對時(shí) 序數(shù)據(jù)）等。選擇正確的方式并不容易，它會(huì)因數(shù)據(jù)、應(yīng)用場景和個(gè)人經(jīng)驗(yàn)而不同。
對異常值做魯棒處理：異常值的主要問題在于即使它們是極值也不一定就是錯(cuò)的。到底 是對是錯(cuò)通常很難分辨。異常值可被移除或是填充，但的確存在某些統(tǒng)計(jì)技術(shù)（如魯棒 回歸）可用于處理異常值或是極值。
對可能的異常值進(jìn)行轉(zhuǎn)換：另一種處理異常值或極值的方法是進(jìn)行轉(zhuǎn)換。對那些可能存 在異常值或值域覆蓋過大的特征，利用如對數(shù)或高斯核對其轉(zhuǎn)換。這類轉(zhuǎn)換有助于降低 變量存在的值跳躍的影響，并將非線性關(guān)系變?yōu)榫€性的。

從數(shù)據(jù)中提取有用特征

數(shù)值特征（numerical feature）：這些特征通常為實(shí)數(shù)或整數(shù)，比如之前例子中提到的年齡。
? 類別特征（categorical feature）：它們的取值只能是可能狀態(tài)集合中的某一種。我們數(shù)據(jù) 集中的用戶性別、職業(yè)或電影類別便是這類。
? 文本特征（text feature）：它們派生自數(shù)據(jù)中的文本內(nèi)容，比如電影名、描述或是評論。
注意：

? 分詞（tokenization）：首先會(huì)應(yīng)用某些分詞方法來將文本分隔為一個(gè)由詞（一般如單詞、 數(shù)字等）組成的集合。可用的方法如空白分隔法。這種方法在空白處對文本分隔并可能 還刪除其他如標(biāo)點(diǎn)符號和其他非字母或數(shù)字字符。? 刪除停用詞（stop words removal）：之后，它通常會(huì)刪除常見的單詞，比如the、and和but （這些詞被稱作停用詞）。? 提取詞干（stemming）：下一步則是詞干的提取。這是指將各個(gè)詞簡化為其基本的形式或 者干詞。常見的例子如復(fù)數(shù)變?yōu)閱螖?shù)（比如dogs變?yōu)閐og等）。提取的方法有很多種，文本 處理算法庫中常常會(huì)包括多種詞干提取方法。? 向量化（vectorization）：最后一步就是用向量來表示處理好的詞。二元向量可能是最為 簡單的表示方式。它用1和0來分別表示是否存在某個(gè)詞。從根本上說，這與之前提到的k 之1編碼相同。與k之1相同，它需要一個(gè)詞的字典來實(shí)現(xiàn)詞到索引序號的映射。隨著遇到 的詞增多，各種詞可能達(dá)數(shù)百萬。由此，使用稀疏矩陣來表示就很關(guān)鍵。這種表示只記 錄某個(gè)詞是否出現(xiàn)過，從而節(jié)省內(nèi)存和磁盤空間，以及計(jì)算時(shí)間。

? 其他特征：大部分其他特征都最終表示為數(shù)值。比如圖像、視頻和音頻可被表示為數(shù)值 數(shù)據(jù)的集合。地理位置則可由經(jīng)緯度或地理散列（geohash）表示。

用軟件包提取特征

Spark支持Scala、Java和Python的綁定。我們可以通過這些語言所開發(fā)的軟件包，借助其中完 善的工具箱來實(shí)現(xiàn)特征的處理和提取，以及向量表示。特征提取可借助的軟件包有scikit-learn、gensim、scikit-image、matplotlib、Python的NLTK、Java編寫的OpenNLP以及用Scala編寫的Breeze和Chalk。實(shí)際上，Breeze自Spark 1.0開始就成為Spark的一部分了。后幾章也會(huì)介紹如何使用Breeze
的線性代數(shù)功能。

代碼

MovieLens 100k數(shù)據(jù)集

import org.apache.spark.SparkConf import org.apache.spark.SparkContext import org.apache.spark.mllib.stat.Statistics import scala.math._ import org.apache.spark.mllib._ import org.apache.spark.sql.catalyst.expressions.Length import org.apache.spark.mllib.feature.Normalizer import org.apache.spark.mllib.linalg._ object Mian {def convertYear(x: String): Int = {try {return (x.substring(x.length()-4)).toInt} catch {case t: Throwable => return 1990}}def main(args: Array[String]): Unit = {val conf = new SparkConf().setAppName("ml").setMaster("local")val sc = new SparkContext(conf)val userData = sc.textFile("data/u.user")//println(data.first())val userFields = userData.map(line => line.split("|"))val numUsers = userFields.map(fields => fields(0)).count()val numGenders = userFields.map(fields => fields(2)).distinct().count()val numOccupations = userFields.map(fields => fields(3)).distinct().count()val numZipCodes = userFields.map(fields => fields(4)).distinct().count()println("用戶： %d,性別: %d，職業(yè)：%d,郵編：%d".format(numUsers,numGenders,numOccupations,numZipCodes))val movieData = sc.textFile("data/u.item")println("電影數(shù)量：%d".format(movieData.count()))val movieFields = movieData.map(line => line.split("|"))val years = movieFields.map(field => field(2)).map(x => convertYear(x))val yearsFilter = years.filter(x=>x!=1990)val numMovie = years.count()val movieAge = yearsFilter.map(y => 1998-y).countByValue()val rattingData = sc.textFile("data/u.data")val rattingFields = rattingData.map(line=>line.split("\t"))val rattings = rattingFields.map(field => field(2).toInt)val numRatting = rattings.count()val maxRatting = rattings.reduce((x, y) => math.max(x, y))val minRatting = rattings.reduce((x, y) => math.min(x, y))val meanRatting = rattings.reduce((x,y) => (x+y)) / numRattingval rattingsPerUser = numRatting / numUsersval rattingsPerMovie = numRatting / numMovieprintln("最小評分：",minRatting)println("最大評分：",maxRatting)println("平均評分：",meanRatting)println("每個(gè)用戶平均評分：",rattingsPerUser)println("每個(gè)電影平均評分：",rattingsPerMovie)val userRattingGrpuped = rattingFields.map(field => (field(0).toInt,field(2).toInt)).groupByKey()//用戶評級次數(shù)val userRattingByUser = userRattingGrpuped.map((k) => (k._1,k._2.size))// userRattingByUser.take(5)println(userRattingByUser.take(5).toMap)val allOccupations = userFields.map(fields => fields(3)).distinct().collect()println(allOccupations.sorted.toString())val normalizer = new Normalizer()val v = Vectors.dense(1.0,2.0,3.0)//正則化println(normalizer.transform(v))} }

總結(jié)

以上是生活随笔為你收集整理的Spark-ML-数据获取/处理/准备的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。