scala - pyspark 与 scala 中的 FPgrowth 计算关联

标签 scala apache-spark pyspark apache-spark-sql apache-spark-mllib

使用:

http://spark.apache.org/docs/1.6.1/mllib-frequent-pattern-mining.html

Python 代码:

from pyspark.mllib.fpm import FPGrowth
model = FPGrowth.train(dataframe,0.01,10)

斯卡拉:

import org.apache.spark.mllib.fpm.FPGrowth
import org.apache.spark.rdd.RDD

val data = sc.textFile("data/mllib/sample_fpgrowth.txt")

val transactions: RDD[Array[String]] = data.map(s => s.trim.split(' '))

val fpg = new FPGrowth()
  .setMinSupport(0.2)
  .setNumPartitions(10)
val model = fpg.run(transactions)

model.freqItemsets.collect().foreach { itemset =>
  println(itemset.items.mkString("[", ",", "]") + ", " + itemset.freq)
}

val minConfidence = 0.8
model.generateAssociationRules(minConfidence).collect().foreach { rule =>
  println(
    rule.antecedent.mkString("[", ",", "]")
      + " => " + rule.consequent .mkString("[", ",", "]")
      + ", " + rule.confidence)
}

来自代码here它表明 scala 部分没有最低置信度。

def trainFPGrowthModel(
      data: JavaRDD[java.lang.Iterable[Any]],
      minSupport: Double,
      numPartitions: Int): FPGrowthModel[Any] = {
    val fpg = new FPGrowth()
      .setMinSupport(minSupport)
      .setNumPartitions(numPartitions)

    val model = fpg.run(data.rdd.map(_.asScala.toArray))
    new FPGrowthModelWrapper(model)
  }

pyspark如何添加minConfidence来生成关联规则?我们可以看到scala有示例,而python没有示例。

最佳答案

Spark >= 2.2

有一个DataFrame基础ml API,它提供AssociationRules:

from pyspark.ml.fpm import FPGrowth

data = ...

fpm = FPGrowth(minSupport=0.3, minConfidence=0.9).fit(data)
associationRules = fpm.associationRules.

Spark <2.2

目前 PySpark 不支持提取关联规则(基于 DataFrame 且支持 Python 的 FPGrowth API 正在开发中 SPARK-1450 ),但我们可以轻松解决那个。

首先,您必须安装 SBT(只需转到 the downloads page )并按照适用于您的操作系统的说明进行操作。

接下来,您必须创建一个仅包含两个文件的简单 Scala 项目:

.
├── AssociationRulesExtractor.scala
└── build.sbt

您可以稍后调整以遵循the established directory structure .

接下来将以下内容添加到 build.sbt(调整 Scala 版本和 Spark 版本以匹配您使用的版本):

name := "fpm"

version := "1.0"

scalaVersion := "2.10.6"

val sparkVersion = "1.6.2"

libraryDependencies ++= Seq(
  "org.apache.spark" %% "spark-core" % sparkVersion,
  "org.apache.spark" %% "spark-mllib" % sparkVersion
)

并遵循AssociationRulesExtractor.scala:

package com.example.fpm

import org.apache.spark.mllib.fpm.AssociationRules.Rule
import org.apache.spark.rdd.RDD

object AssociationRulesExtractor {
  def apply(rdd: RDD[Rule[String]]) = {
    rdd.map(rule => Array(
      rule.confidence, rule.javaAntecedent, rule.javaConsequent
    ))
  }
}

打开您选择的终端模拟器,转到项目的根目录并调用:

sbt package

它将在目标目录中生成一个jar文件。例如,在 Scala 2.10 中它将是:

target/scala-2.10/fpm_2.10-1.0.jar

启动 PySpark shell 或使用 spark-submit 并将路径传递给生成的 jar 文件,如 --driver-class-path:

bin/pyspark --driver-class-path /path/to/fpm_2.10-1.0.jar

非本地模式:

bin/pyspark --driver-class-path /path/to/fpm_2.10-1.0.jar --jars /path/to/fpm_2.10-1.0.jar

在集群模式下,jar 应该存在于所有节点上。

添加一些方便的包装:

from pyspark import SparkContext
from pyspark.mllib.fpm import FPGrowthModel
from pyspark.mllib.common import _java2py
from collections import namedtuple


rule = namedtuple("Rule", ["confidence", "antecedent", "consequent"])

def generateAssociationRules(model, minConfidence):
    # Get active context
    sc = SparkContext.getOrCreate()

    # Retrieve extractor object
    extractor = sc._gateway.jvm.com.example.fpm.AssociationRulesExtractor

    # Compute rules
    java_rules = model._java_model.generateAssociationRules(minConfidence)

    # Convert rules to Python RDD
    return _java2py(sc, extractor.apply(java_rules)).map(lambda x:rule(*x))

最后,您可以将这些助手用作函数:

generateAssociationRules(model, 0.9)

或者作为一种方法:

FPGrowthModel.generateAssociationRules = generateAssociationRules
model.generateAssociationRules(0.9)

此解决方案依赖于内部 PySpark 方法,因此不能保证它在版本之间可移植。

关于scala - pyspark 与 scala 中的 FPgrowth 计算关联,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/42222456/

相关文章:

java - scala 中具有多个非嵌套计数器的 For 循环

python-3.x - Spark magic - 以字符串形式输入 sql 上下文

python - 如何对多列、不同类型、不同长度进行爆破?

斯卡拉 3 : inline vs quoted (macros)

scala - 错误 SparkContext : Error initializing SparkContext. java.net.BindException:无法分配请求的地址:服务 'sparkDriver' 失败

apache-spark - 带有函数的pySpark withColumn

scala - 使用 flatmap 将一行 spark 数据集分解为多行并添加列

python - Jupyter + EMR + Spark - 从本地机器上的 Jupyter notebook 连接到 EMR 集群

python - 填写 PySpark 中前一天缺失的日期

Scala:在同一个文件中导入不同名称的对象