第二篇：使用Spark对MovieLens的特征进行提取

前言

在对数据进行了初步探索后，想必读者对MovieLens数据集有了感性认识。而在数据挖掘/推荐引擎运行前，往往需要对数据预处理。预处理的重要性不言而喻，甚至比数据挖掘/推荐系统本身还重要。

然而完整的数据预处理工作会涉及到：缺失值，异常值，口径统一，去重，特征提取等等等等，可以单写一本书了，本文无法一一介绍。

本文仅就特征提取这一话题进行粗略讨论并展示。

类别特征提取

在很多场景下，数据集的很多特征是类型变量，比如MovieLens里面的职业类型。这样的变量无法作为很多算法的输入，因为这类变量无法作用于样本间距离的计算。

可参考的方法是 1 of k 编码，就是将某种类型的特征打平，将其转化为具有n列的向量。具体的做法是先为特征列创建字典，然后将各具体特征值映射到 1 of k 编码。

下面以MoveiLens中的职业类型特征为例，演示特征值为programmer的特征提取：

 # 载入数据集
 user_data = sc.textFile("/home/kylin/ml-100k/u.user")
 # 以' | '切分每列，返回新的用户RDD
 user_fields = user_data.map(lambda line: line.split("|"))
 # 获取职业RDD并落地
 all_occupations = user_fields.map(lambda fields: fields[3]).distinct().collect()
 # 对各职业进行排序
 all_occupations.sort()
 
 # 构建字典
 idx = 0
 all_occupations_dict = {}
 for o in all_occupations:
     all_occupations_dict[o] = idx
     idx +=1
 
 # 生成并打印职业为程序员(programmer)的1 of k编码
 K = len(all_occupations_dict)
 binary_x = np.zeros(K)
 k_programmer = all_occupations_dict['programmer']
 binary_x[k_programmer] = 1
 print "程序员的1 of k编码为: %s" % binary_x

结果为：

派生特征提取

并非所有的特征均可直接拿来学习。比如电影发行日期特征，它显然无法拿来进行学习。但正如上一节所做的一个工作，将它转化为电影年龄，这就可以在很多场景下进行学习了。

再比如时间戳属性，可参考将他们转为为：早/中/晚这样的分类变量：

 # 载入数据集
 rating_data_raw = sc.textFile("/home/kylin/ml-100k/u.data")
 # 获取评分RDD
 rating_data = rating_data_raw.map(lambda line: line.split("\t"))
 ratings = rating_data.map(lambda fields: int(fields[2]))
 
 # 函数: 将时间戳格式转换为datetime格式
 def extract_datetime(ts):
     import datetime
     return datetime.datetime.fromtimestamp(ts)
 
 # 获取小时RDD
 timestamps = rating_data.map(lambda fields: int(fields[3]))
 hour_of_day = timestamps.map(lambda ts: extract_datetime(ts).hour)
 
 # 函数: 将小时映射为分类变量并展示
 def assign_tod(hr):
     times_of_day = {
                 'morning' : range(7, 12),
                 'lunch' : range(12, 14),
                 'afternoon' : range(14, 18),
                 'evening' : range(18, 23),
                 'night' : range(23, 7)
                 }
     for k, v in times_of_day.iteritems():
         if hr in v:
             return k
 
 # 获取新的分类变量RDD
 time_of_day = hour_of_day.map(lambda hr: assign_tod(hr))
 time_of_day.take(5)

结果为：

若要使用这个特征，大部分机器学习算法可以考虑将其1 of k编码。部分支持分类型变量的算法除外。

PS：有两个None是因为代码中night:range(23,7)这么写是不对的。算了不纠结，意思懂就好 :)

文本特征提取

关于文本特征提取方法有很多，本文仅介绍一个简单而又经典的提取方法 - 词袋法。
       其基本步骤如下：

1. 分词 - 将文本分割为由词组成的集合。可根据空格符，标点进行分割；
2. 删除停用词 - the and 这类词无学习的价值意义，删除之；
3. 提取词干 - 将各个词转化为其基本形式，如men -> man；
4. 向量化 - 从根本上来说和1 of k相同。不过由于词往往很多，所以稀疏矩阵技术很重要；

下面将MovieLens数据集中的影片标题进行特征提取：

 # 载入数据集
 movie_data = sc.textFile("/home/kylin/ml-100k/u.item")
 # 以' | '切分每列，返回影片RDD
 movie_fields = movie_data.map(lambda lines: lines.split("|"))
 
 # 函数: 剔除掉标题中的(年份)部分
 def extract_title(raw):
     import re
     grps = re.search("\((\w+)\)", raw)
     if grps:
         return raw[:grps.start()].strip()
     else:
         return raw
 
 # 获取影片名RDD
 raw_titles = movie_fields.map(lambda fields: fields[1])
 
 # 剔除影片名中的(年份)
 movie_titles = raw_titles.map(lambda m: extract_title(m))
 
 # 由于仅仅是个展示的例子，简简单单用空格分割
 title_terms = movie_titles.map(lambda t: t.split(" "))
 
 # 搜集所有的词
 all_terms = title_terms.flatMap(lambda x: x).distinct().collect()
 # 创建字典
 idx = 0
 all_terms_dict = {}
 for term in all_terms:
     all_terms_dict[term] = idx
     idx +=1
 num_terms = len(all_terms_dict)
 
 # 函数: 采用稀疏向量格式保存编码后的特征并返回
 def create_vector(terms, term_dict):
     from scipy import sparse as sp
     x = sp.csc_matrix((1, num_terms))
     for t in terms:
         if t in term_dict:
             idx = term_dict[t]
             x[0, idx] = 1
     return x
 
 # 将字典保存为广播数据格式类型。因为各个worker都要用
 all_terms_bcast = sc.broadcast(all_terms_dict)
 # 采用稀疏矩阵格式保存影片名特征
 term_vectors = title_terms.map(lambda terms: create_vector(terms, all_terms_bcast.value))
 # 展示提取结果
 term_vectors.take(5)

其中，字典的创建过程也可以使用Spark提供的便捷函数zipWithIndex，这个函数可以将原RDD中的值作为主键，而新的值为主键在原RDD中的位置：

 all_terms_dict2 = title_terms.flatMap(lambda x: x).distinct().zipWithIndex().collectAsMap()

collectAsMap则是将结果落地为Python的dict格式。

结果为：

归一化特征

归一化最经典的做法就是所有特征值-最小值/特征区间。但对于一般特征的归一化网上很多介绍，请读者自行学习。本文仅对特征向量的归一化做介绍。

一般来说，我们是先计算向量的二阶范数，然后让向量的所有元素去除以这个范数。

下面演示对某随机向量进行归一化：

 # 设置随机数种子
 np.random.seed(42)
 # 生成随机向量
 x = np.random.randn(10)
 # 产生二阶范数
 norm_x_2 = np.linalg.norm(x)
 # 归一化
 normalized_x = x / norm_x_2
 
 # 结果展示
 print "向量x:\n%s" % x
 print "向量x的2阶范数: %2.4f" % norm_x_2
 print "归一化后的向量x:\n%s" % normalized_x
 print "归一化后向量x的2阶范数:\n%2.4f" % np.linalg.norm(normalized_x)

结果为：

Spark的MLlib库提供了专门的正则化函数，它们执行起来的效率显然远远高于我们自己写的：

 # 导入Spark库中的正则化类
 from pyspark.mllib.feature import Normalizer
 # 初始化正则化对象
 normalizer = Normalizer()
 # 创建测试向量(RDD)
 vector = sc.parallelize([x])
 # 对向量进行归一化并返回结果
 normalized_x_mllib = normalizer.transform(vector).first().toArray()
 
 # 结果展示
 print "向量x:\n%s" % x
 print "向量x的二阶范数: %2.4f" % norm_x_2
 print "被MLlib归一化后的向量x:\n%s" % normalized_x_mllib
 print "被MLlib归一化后的向量x的二阶范数: %2.4f" % np.linalg.norm(normalized_x_mllib)

结果请读者自行对比。