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
- netfilter-IPv4实现框架分析(一)
基于Linux-2.6.30版本,具体实现net\ipv4\netfilter目录下,入口文件为net\ipv4\netfilter\iptable_filter.c,入口/出口函数为模块的init函 ...
- qsort函数用法【转】
qsort函数用法 qsort 功 能: 使用快速排序例程进行排序 用 法: void qsort(void *base, int nelem, int width, int (*fcmp)(con ...
- Opencv读取视频
CvCapture 是一个结构体,用来保存图像捕获所需要的信息. opencv提供两种方式从外部捕获图像 一种是从摄像头中, 一种是通过解码视频得到图像. 两种方式都必须从第一帧开始一帧一帧的按顺序获 ...
- Java实验一
20145113 Java实验一 使用JDK编译.运行简单的Java程序 安装JDK并配置相关环境 安装JDK后配置环境变量 计算机→属性→高级系统设置→高级→环境变量 新建 JAVA_HOME 变量 ...
- C 内存管理初步了解
1 首先变量了解几个概念 静态变量:用 static 修饰的变量 局部变量: 存储在栈区:作用域是函数块内:生存期是直到函数块结束 全局变量:存储在静态区:作用域是从定义到本源程序结束,生存期是运行期 ...
- hive索引表
create table index_tmp(id int,name string,dt string) row format delimited fields terminated by ',' s ...
- HTML中的按钮
html中的五种按钮 (1)<button></button> 表单外调用一个js文件时使用 (2)<input type="button" valu ...
- kuangbin_SegTree E (HDU 1698)
POJ服务器炸了 还没好呢 然后就只能跳掉一些题目了 这题也是成段更新模板题 本来lazy标记不是很明白 后来学长上课讲了一下就知道原理了 回去看看代码很容易就理解了 #include <cst ...
- MVC缓存OutputCacheAttribute 类提高网站效率(转)
原文转自:http://www.cnblogs.com/iamlilinfeng/p/4419362.html 命名空间: System.Web.Mvc 程序集: System.Web.Mvc(在 ...
- 从 Bootstrap 2.x 版本升级到 3.0 版本
摘自http://v3.bootcss.com/migration/ Bootstrap 3 版本并不向后兼容 v2.x 版本.下面的章节是一份从 v2.x 版本升级到 v3.0 版本的通用指南.如需 ...