特征工程 dataframe格式
import os import copy import codecs import operator import re from math import log from pyspark.sql import SQLContext,Row from pyspark.mllib.regression import LabeledPoint from pyspark import SparkContext, SparkConf from pyspark.sql import HiveContext from pyspark.mllib.linalg import SparseVector, DenseVector #=================================================================================================== #===============================dataframe计算tags的特征选择============================================= df1=sqlContext.sql("select * from zhangb.isntalled_app_sample") #总体,各类别样本数量 cnt_samp=df1.count() cnt_samp1=df1.filter(df1.installed==').count() cnt_samp0=df1.filter(df1.installed==').count() #df1注册为表 df1.registerTempTable("table1") #拆分tags列,统计每个tag的每个类别的数量 df2=sqlContext.sql("select c.pkg,c.installed,count(*) cnt from \ (select b.installed,split(b.pkgs,',')[0] pkg from \ (select imei,installed,pkgs from table1 a \ lateral view explode(split(a.installed_applist, ';')) t as pkgs) b \ where length(b.pkgs)>0 ) c \ group by c.pkg,c.installed order by c.pkg,c.installed") #df2注册成表 table2 df2.registerTempTable("table2") #sqlContext.cacheTable("table2") #计算每个tag的数量 df3=sqlContext.sql("select h.pkg,(h.sumcnt-h.cnt1) cnt01,h.cnt1 cnt11 \ from(select g.pkg,g.sumcnt,case when g.cnt1 is null then 0 else g.cnt1 end as cnt1 \ from(select f.pkg,f.sumcnt,e.cnt1 \ from(select c.pkg,sum(c.cnt) sumcnt from table2 c group by c.pkg ) f \ left outer join \ (select d.pkg,d.cnt cnt1 from table2 d where d.installed=1) e on f.pkg=e.pkg)g)h") #sqlContext.uncacheTable("table2") #df3.cache() #根据相似比选择 df4=df3.withColumn("cnt00",cnt_samp0-df3.cnt01).withColumn("cnt10",cnt_samp1-df3.cnt11).\ withColumn("xsb",((df3.cnt11+1.0)/(cnt_samp1+1.0))/((df3.cnt01+1.0)/(cnt_samp0+1.0))) ###=============*********以上通用************************************************************** # df41=df4.withColumn("ration1",(df4.cnt11+1.0)/(cnt_samp1+1.0)).\ # withColumn("ration0",(df4.cnt01+1.0)/(cnt_samp0+1.0)) #直接找显著pkg,不给看细化的了 df5=df4.filter("xsb>=1.2 or xsb<=0.8").filter("cnt01+cnt11>=15") #6265个 def gaivchi(p): args=[int(p[3]),int(p[4]),int(p[1]),int(p[2])] y1,n1,y2,n2=int(p[3]),int(p[4]),int(p[1]),int(p[2]) a00,a10,a01,a11=int(p[3]),int(p[4]),int(p[1]),int(p[2]) chi2=((a00*a11-a10*a01)**2.0)*(a00+a10+a01+a11)/((a00+a10)*(a01+a11)*(a00+a01)*(a10+a11)) num=2 if len(args) % num != 0: print "Error len(args)" arg0=[args[0]+args[2],args[1]+args[3]] total0 = sum(arg0) + 0.0 result0 = 0.0 for w in arg0: if w == 0: result0 += 0 else: result0 += w / total0 * log( w / total0, 2) result = 0.0 total = sum(args)+0.0 for x in xrange(len(args) / num): k = x * num total_up = 0.0 + sum(args[k:k + num]) arg1=args[k:k + num] total1 = sum(arg1) + 0.0 result1 = 0.0 for i in arg1: if i == 0: result1 += 0 else: result1 += i / total1 * log( i / total1, 2) result += total_up / total *(-result1) woe00=log(((y1+1.0)/(y1+y2+1.0))/((n1+1.0)/(n1+n2+1.0))) iv00=(((y1+1.0)/(y1+y2+1.0))-((n1+1.0)/(n1+n2+1.0)))*woe00 woe01=log(((y2+1.0)/(y1+y2+1.0))/((n2+1.0)/(n1+n2+1.0))) iv01=(((y2+1.0)/(y1+y2+1.0))-((n2+1.0)/(n1+n2+1.0)))*woe01 iv0=iv00+iv01 woe10=log(((n1+1.0)/(n1+n2+1.0))/((y1+1.0)/(y1+y2+1.0))) woe11=log(((n2+1.0)/(n1+n2+1.0))/((y2+1.0)/(y1+y2+1.0))) iv1=((n1+1.0)/(n1+n2+1.0)-((y1+1.0)/(y1+y2+1.0)))*woe10 + ((n2+1.0)/(n1+n2+1.0)-((y2+1.0)/(y1+y2+1.0)))* woe11 iv2=round((iv0+iv1)/2.0,6) return [p[0],p[1],p[2],p[3],p[4],p[5],chi2,-result0-result,iv2] df6=sqlContext.createDataFrame(df5.map(gaivchi),["pkg","cnt01","cnt11","cnt00","cnt10","xsb","chi2","gain","iv"]) df6.registerTempTable("e") df7=sqlContext.sql("select t.pkg,t.xsb,t.chi2,t.gain,t.iv,rank1,rank2,rank3,rank1+rank2+rank3 rank \ from (select pkg,xsb,chi2,gain,iv, \ row_number()over (order by chi2 ) rank1, \ row_number()over (order by gain ) rank2, \ row_number()over (order by iv ) rank3 \ from e ) t order by rank desc") #输入要选取的pkg个数: number=5000 #输出指定个数的pkg df8=sc.parallelize(df7.head(number)).map(lambda p:p[0]) #rdd文件才能这样保存 df8.saveAsTextFile('hdfs:./installed_pkg')
=====================================================
#输入要选取的pkg个数:
number=10000
#输出指定个数的pkg
lt5_17=sc.parallelize(lt5_16.head(number)).map(lambda p:p[0])
#写成结果矩阵
lt6=sc.broadcast(lt5_17.collect())
def matrix(p):
temp1=[p[0],p[1]]
for i in lt6.value:
if i in p[2]:
temp1.append(1)
else:
temp1.append(0)
return temp1
lt7=data3.filter(lambda p:len(p[2])>0).map(lambda p:(p[0],p[1],(re.split(";|,",p[2]))))
#输出样本矩阵
lt8=lt7.map(matrix)
colname=["gid","age"]+[x for x in lt6.value]
#添加索引保存列名
lt9=sc.parallelize(colname).zipWithIndex()
#成为数据框 注意此处的列索引是 整数型 不是字符型
lt10=sqlContext.createDataFrame(lt9,["colname","rank_gender"])
#保存为sql文件
#rdd文件才能这样保存
lt8.saveAsTextFile('hdfs://getui-bi-hadoop/user/zhangb/gender_model_matrix')
#dataframe保存为表
lt10.saveAsTable(tableName="gender_model_colname",source="parquet",mode="overwrite")
#####转稀疏矩阵
def sparse(p):
vec=[int(x) for x in p[2:]]
lvec=len(vec)
#ind=vec.index(1)
dic1={}
for i in range(lvec):
if vec[i]==1:
dic1[i]=1
return [p[0],p[1],SparseVector(lvec,dic1)]
lt11=lt8.map(sparse)
特征工程 dataframe格式的更多相关文章
- 机器学习入门-数值特征-连续数据离散化(进行分段标记处理) 1.hist(Dataframe格式直接画直方图)
函数说明: 1. .hist 对于Dataframe格式的数据,我们可以使用.hist直接画出直方图 对于一些像年龄和工资一样的连续数据,我们可以对其进行分段标记处理,使得这些连续的数据变成离散化 就 ...
- Python机器学习笔记 使用sklearn做特征工程和数据挖掘
特征处理是特征工程的核心部分,特征工程是数据分析中最耗时间和精力的一部分工作,它不像算法和模型那样式确定的步骤,更多的是工程上的经验和权衡,因此没有统一的方法,但是sklearn提供了较为完整的特征处 ...
- 手把手教你用Python实现自动特征工程
任何参与过机器学习比赛的人,都能深深体会特征工程在构建机器学习模型中的重要性,它决定了你在比赛排行榜中的位置. 特征工程具有强大的潜力,但是手动操作是个缓慢且艰巨的过程.Prateek Joshi,是 ...
- 机器学习-特征工程-Feature generation 和 Feature selection
概述:上节咱们说了特征工程是机器学习的一个核心内容.然后咱们已经学习了特征工程中的基础内容,分别是missing value handling和categorical data encoding的一些 ...
- Auto-ML之自动化特征工程
1. 引言 个人以为,机器学习是朝着更高的易用性.更低的技术门槛.更敏捷的开发成本的方向去发展,且Auto-ML或者Auto-DL的发展无疑是最好的证明.因此花费一些时间学习了解了Auto-ML领域的 ...
- 谷歌大规模机器学习:模型训练、特征工程和算法选择 (32PPT下载)
本文转自:http://mp.weixin.qq.com/s/Xe3g2OSkE3BpIC2wdt5J-A 谷歌大规模机器学习:模型训练.特征工程和算法选择 (32PPT下载) 2017-01-26 ...
- Kaggle:Home Credit Default Risk 特征工程构建及可视化(2)
博主在之前的博客 Kaggle:Home Credit Default Risk 数据探索及可视化(1) 中介绍了 Home Credit Default Risk 竞赛中一个优秀 kernel 关于 ...
- python 机器学习库 —— featuretools(自动特征工程)
文档:https://docs.featuretools.com/#minute-quick-start 所谓自动特征工程,即是将人工特征工程的过程自动化.以 featuretools 为代表的自动特 ...
- 想搞机器学习,不会特征工程?你TM逗我那!
原文:http://dataunion.org/20276.html 作者:JasonDing1354 引言 在之前学习机器学习技术中,很少关注特征工程(Feature Engineering),然而 ...
随机推荐
- c#防止多次运行代码收集
1.原文:经过我的测试,还比较好用,但是有个问题,如果不注销,用另一个用户进入,则程序不能判断出已运行.所以只限于用在单用户环境,还是不太完美. class Program { [STAThread] ...
- c++标准模板库algorithm头文件中accumulate算法的代码
template <typename T>T algorithm(T* start, T* end, T total)//把[start, end)标记范围内所有元素累加到total中{ ...
- 2、C#入门第2课
1.XML文件读取 XmlDocument xml; string path = "F:\\C#\\功2016.xml"; if (System.IO.File.Exists(pa ...
- ps6 安装失败-FATAL: Payload '{3F023875-4A52-4605-9DB6-A88D4A813E8D} Camera Profiles Installer 6.0.98.0' information not found in Media_db.
点击 '错误摘要' Exit Code: 34 -------------------------------------- Summary ----------------------------- ...
- jquery 中的几个函数方法
1.$.map(data,function(item,index){return XXX})处理每一个元素的函数.第一个参数是数组元素,第二个参数是该元素的索引值. 遍历data数组中的每个元素,并按 ...
- Delphi 2010错误 "displayNotification: 内存不够"
打开 Delphi 2010 的时候, 它报一个错误 "displayNotification: 内存不够",从而无法使用 Delphi , 解决办法 摘自http://www.cnblogs.com ...
- C#:org.in2bits.MyXls 文本格式日期 转换,以及设置单元格格式,保留两位小数点
org.in2bits.MyXls Excel导入日期格式的处理 表格内容为 2014-7-22 ,导入后显示为 41842 等于一个数值,根本不是日期,后来百度了一下,发现要做如下处理: stri ...
- Struts2通配符问题(待解决)
目录结构如下: 运行结果: 为什么会访问input.jsp?不应该是访问emp-input吗?
- SQLLite 学习笔记
1.SQLLite 简介 2.命令行使用 3.常用GUI管理工具
- 整理QQ数据库sql语句
设置数据库的时候 qq 号如果用整型,设置成UNSIGNED,不然超过一定数值就错误 UPDATE `sao_qq` SET qq_num = REPLACE ( qq_num, '@qq.com', ...