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
- Android studio工具介绍
区域1介绍 这个区域是运行和调试相关的操作. 1.编译2中显示的模块 2.当前项目的模块列表 3.运行2中显示的模块 ...
- viewpager接受值图片轮播
package com.baway.test; import java.util.ArrayList;import java.util.List;import java.util.Timer;impo ...
- 关于如何获取/清除 MAXScript 侦听器内的文本
关于如何获取/清除 MAXScript 侦听器内的文本 用来保存记录?还没想到实际用处,先记上. macroRecorder as string listener as stringclearList ...
- world machine, 输出lightmap
一,输出黑白lightmap: 二,输出彩色lightmap: 需要注意的是:当输出黑白lightmap时,输出设备要用Height Output:当输出彩色lightmap时,输出设备要用Bitma ...
- 完成一段简单的Python程序,用于实现一个简单的加减乘除计算器功能
#!/bin/usr/env python#coding=utf-8'''完成一段简单的Python程序,用于实现一个简单的加减乘除计算器功能'''try: a=int(raw_input(" ...
- C# 操作Word知识汇总
转自:http://blog.csdn.net/jiutao_tang/article/details/6574740 1. 微软官方实例: 段落.表格.图表 HOW TO:利用 Visual C# ...
- [JBoss] - 环境搭建
安装Java和设置JAVA_HOME等步骤跳过. 1.去官网下载jboss: http://jbossas.jboss.org/downloads/ 这里使用的是7.1.1 final,jboss版本 ...
- SPRING + THYMELEAF 配置
1.使用的是Spring EL而不是Ognl.2.访问上下文的Bean用${@myBean.doSomething()}3.th:field,th:errors,th:errorclass用于form ...
- visual.studio.15.preview5 编译器
前段时间微软更新了新版开发工具visual studio 15 preview5,安装后连文件结构目录都变了,想提取编译器还找不到. 不是原来的VC\BIN目录,已迁移到IDE\MSVC\14.10. ...
- (C#) Tasks 中的异常处理(Exception Handling.)
多线程编程中要注意对线程异常的处理.首先写个例子. 一个线程用于显示信息(Show Messages).主线程用于做其他工作(Do Works). using (Task taskShowMessag ...