用 PySpark ML 构建机器学习模型

作者 | 云朵君

来源 |数据STUDIO

Spark 是一种专门用于交互式查询、机器学习和实时工作负载的开源框架，而 PySpark 是 Python 使用 Spark 的库。

PySpark 是一种用于大规模执行探索性数据分析、构建机器学习管道以及为数据平台创建 ETL 的出色语言。如果你已经熟悉 Python 和 Pandas 等库，那么 PySpark 是一种很好的学习语言，可以创建更具可扩展性的分析和管道。

这篇文章的目的是展示如何使用 PySpark 构建机器学习模型。

Conda 创建 python 虚拟环境

conda将几乎所有的工具、第三方包都当作package进行管理，甚至包括python 和conda自身。Anaconda是一个打包的集合，里面预装好了conda、某个版本的python、各种packages等。

打开命令行输入conda -V检验是否安装及当前conda的版本。通过Anaconda安装默认版本的Python，3.6的对应的是 Anaconda3-5.2，5.3以后的都是python 3.7。
(https://repo.anaconda.com/archive/)

1) 查看安装了哪些包

conda list

2) 查看当前存在哪些虚拟环境

conda env list
conda info -e

3) 检查更新当前conda

conda update conda

conda create -n your_env_name python=x.x

anaconda命令创建python版本为x.x，名字为your_env_name的虚拟环境。your_env_name文件可以在Anaconda安装目录envs文件下找到。

打开命令行，输入python --version检查当前 python 版本。

Linux: source activate your_env_nam
Windows: activate your_env_name

conda install -n your_env_name [package]

(即从当前环境退出返回使用PATH环境中的默认python版本)

deactivate env_name
# 或者`activate root`切回root环境
Linux下：sourcedeactivate

conda remove -n your_env_name --all

conda remove --name$your_env_name$package_name

http://Anaconda.org 的服务器在国外，安装多个packages时，conda下载的速度经常很慢。清华TUNA镜像源有Anaconda仓库的镜像，将其加入conda的配置即可：

# 添加Anaconda的TUNA镜像
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/

# 设置搜索时显示通道地址
conda config --setshow_channel_urls yes

conda config --remove-key channels

安装 PySpark

PySpark 的安装过程和其他 python 的包一样简单（例如 Pandas、Numpy、scikit-learn）。

一件重要的事情是，首先确保你的机器上已经安装了java。然后你可以在你的 jupyter notebook 上运行 PySpark。

探索数据

我们使用糖尿病数据集，它与美国国家糖尿病、消化和肾脏疾病研究所的糖尿病疾病有关。分类目标是预测患者是否患有糖尿病（是/否）。数据集可以从 Kaggle 下载：
https://www.kaggle.com/uciml/pima-indians-diabetes-database?ref=hackernoon.com

frompyspark.sqlimportSparkSession
spark = SparkSession.builder.appName('ml-diabetes').getOrCreate()
df = spark.read.csv('diabetes.csv', header =True, inferSchema =True)
df.printSchema()

数据集由几个医学预测变量和一个目标变量 Outcome 组成。预测变量包括患者的怀孕次数、BMI、胰岛素水平、年龄等。

Pregnancies：怀孕次数
Glucose：2小时内口服葡萄糖耐量试验的血糖浓度
BloodPressure：舒张压(mm Hg)
SkinThickness：三头肌皮肤褶皱厚度(mm)
Insulin：2小时血清胰岛素(mu U/ml)
BMI：身体质量指数(体重单位kg/(身高单位m)²)
diabespedigreefunction：糖尿病谱系功能
Age：年龄(年)
Outcome：类变量(0或1)

输入变量：葡萄糖、血压、BMI、年龄、怀孕、胰岛素、皮肤厚度、糖尿病谱系函数。
输出变量：结果。

看看前五个观察结果。Pandas 数据框比Spark DataFrame.show()更漂亮。

importpandasaspd
pd.DataFrame(df.take(5),
columns=df.columns).transpose()

在 PySpark 中，您可以使用 Pandas 的 DataFrame 显示数据toPandas()。

df.toPandas()

检查类是完全平衡的！

df.groupby('Outcome').count().toPandas()

描述性统计

numeric_features = [t[0]fortindf.dtypesift[1] =='int']
df.select(numeric_features)\
.describe()\
.toPandas()\
.transpose()

frompandas.plottingimportscatter_matrix
numeric_data = df.select(numeric_features).toPandas()

axs = scatter_matrix(numeric_data, figsize=(8,8));

# Rotate axis labels and remove axis ticks
n = len(numeric_data.columns)
foriinrange(n):
v = axs[i,0]
v.yaxis.label.set_rotation(0)
v.yaxis.label.set_ha('right')
v.set_yticks(())
h = axs[n-1, i]
h.xaxis.label.set_rotation(90)
h.set_xticks(())

数据准备和特征工程

在这一部分中，我们将删除不必要的列并填充缺失值。最后，为机器学习模型选择特征。这些功能将分为训练和测试两部分。

from pyspark.sql.functions import isnull, when, count, col
df.select([count(when(isnull(c), c)).alias(c)
forcindf.columns]).show()

这个数据集很棒，没有任何缺失值。

dataset = dataset.drop('SkinThickness')
dataset = dataset.drop('Insulin')
dataset = dataset.drop('DiabetesPedigreeFunction')
dataset = dataset.drop('Pregnancies')

dataset.show()

VectorAssembler —— 将多列合并为向量列的特征转换器。

# 用VectorAssembler合并所有特性
required_features = ['Glucose',
'BloodPressure',
'BMI',
'Age']

frompyspark.ml.featureimportVectorAssembler

assembler = VectorAssembler(
inputCols=required_features,
outputCol='features')

transformed_data = assembler.transform(dataset)
transformed_data.show()

现在特征转换为向量已完成。

将数据随机分成训练集和测试集，并设置可重复性的种子。

(training_data, test_data) = transformed_data.randomSplit([0.8,0.2], seed =2020)
print("训练数据集总数: "+ str(training_data.count()))
print("测试数据集总数: "+ str(test_data.count()))

训练数据集总数：620
测试数据集数量：148

随机森林是一种监督学习算法，用于分类和回归。但是，它主要用于分类问题。众所周知，森林是由树木组成的，树木越多，森林越茂盛。类似地，随机森林算法在数据样本上创建决策树，然后从每个样本中获取预测，最后通过投****选择最佳解决方案。这是一种比单个决策树更好的集成方法，因为它通过对结果进行平均来减少过拟合。

frompyspark.ml.classificationimportRandomForestClassifier

rf = RandomForestClassifier(labelCol='Outcome',
featuresCol='features',
maxDepth=5)
model = rf.fit(training_data)
rf_predictions = model.transform(test_data)

frompyspark.ml.evaluationimportMulticlassClassificationEvaluator

multi_evaluator = MulticlassClassificationEvaluator(
labelCol ='Outcome', metricName ='accuracy')
print('Random Forest classifier Accuracy:', multi_evaluator.evaluate(rf_predictions))

Random Forest classifier Accuracy：0.79452

决策树被广泛使用，因为它们易于解释、处理分类特征、扩展到多类分类设置、不需要特征缩放，并且能够捕获非线性和特征交互。

frompyspark.ml.classificationimportDecisionTreeClassifier

dt = DecisionTreeClassifier(featuresCol ='features',
labelCol ='Outcome',
maxDepth =3)
dtModel = dt.fit(training_data)
dt_predictions = dtModel.transform(test_data)
dt_predictions.select('Glucose','BloodPressure',
'BMI','Age','Outcome').show(10)

评估决策树模型

frompyspark.ml.evaluationimportMulticlassClassificationEvaluator

multi_evaluator = MulticlassClassificationEvaluator(
labelCol ='Outcome',
metricName ='accuracy')
print('Decision Tree Accuracy:',
multi_evaluator.evaluate(dt_predictions))

Decision Tree Accuracy: 0.78767

逻辑回归是在因变量是二分（二元）时进行的适当回归分析。与所有回归分析一样，逻辑回归是一种预测分析。逻辑回归用于描述数据并解释一个因二元变量与一个或多个名义、序数、区间或比率水平自变量之间的关系。当因变量（目标）是分类时，使用逻辑回归。

frompyspark.ml.classificationimportLogisticRegression

lr = LogisticRegression(featuresCol ='features',
labelCol ='Outcome',
maxIter=10)
lrModel = lr.fit(training_data)
lr_predictions = lrModel.transform(test_data)

评估我们的逻辑回归模型。

frompyspark.ml.evaluationimportMulticlassClassificationEvaluator

multi_evaluator = MulticlassClassificationEvaluator(
labelCol ='Outcome',
metricName ='accuracy')
print('Logistic Regression Accuracy:',
multi_evaluator.evaluate(lr_predictions))

Logistic Regression Accuracy：0.78767

梯度提升是一种用于回归和分类问题的机器学习技术，它以弱预测模型（通常是决策树）的集合形式生成预测模型。

frompyspark.ml.classificationimportGBTClassifier
gb = GBTClassifier(
labelCol ='Outcome',
featuresCol ='features')
gbModel = gb.fit(training_data)
gb_predictions = gbModel.transform(test_data)

评估我们的梯度提升树分类器。

from pyspark.ml.evaluation import MulticlassClassificationEvaluator
multi_evaluator = MulticlassClassificationEvaluator(
labelCol ='Outcome',
metricName ='accuracy')
print('Gradient-boosted Trees Accuracy:',
multi_evaluator.evaluate(gb_predictions))

Gradient-boosted Trees Accuracy：0.80137

PySpark 是一种非常适合数据科学家学习的语言，因为它支持可扩展的分析和 ML 管道。如果您已经熟悉 Python 和 Pandas，那么您的大部分知识都可以应用于 Spark。

总而言之，我们已经学习了如何使用 PySpark 构建机器学习应用程序。我们尝试了三种算法，梯度提升在我们的数据集上表现最好。