Machine Learning On Spark——基础数据结构(一)
来源:互联网 发布:arctime字幕软件官方 编辑:程序博客网 时间:2024/06/07 17:06
本节主要内容
- 本地向量和矩阵
- 带类标签的特征向量(Labeled point)
- 分布式矩阵
1. 本地向量和矩阵
本地向量(Local Vector)存储在单台机器上,索引采用0开始的整型表示,值采用Double类型的值表示。Spark MLlib中支持两种类型的矩阵,分别是密度向量(Dense Vector)和稀疏向量(Spasre Vector),密度向量会存储所有的值包括零值,而稀疏向量存储的是索引位置及值,不存储零值,在数据量比较大时,稀疏向量才能体现它的优势和价值。下面给出其应用示例:
import org.apache.spark.mllib.linalg.{Vector, Vectors}//密度矩阵,零值也存储scala> val dv: Vector = Vectors.dense(1.0, 0.0, 3.0)dv: org.apache.spark.mllib.linalg.Vector = [1.0,0.0,3.0]// 创建稀疏矩阵,指定元素的个数、索引及非零值,数组方式scala> val sv1: Vector = Vectors.sparse(3, Array(0, 2), Array(1.0, 3.0))sv1: org.apache.spark.mllib.linalg.Vector = (3,[0,2],[1.0,3.0])// 创建稀疏矩阵,指定元素的个数、索引及非零值,采用序列方式scala> val sv2: Vector = Vectors.sparse(3, Seq((0, 1.0), (2, 3.0)))sv2: org.apache.spark.mllib.linalg.Vector = (3,[0,2],[1.0,3.0])
本地矩阵(Local Matrix)指的也是存储于单台机器上的数据结构,本地矩阵采用整体的行列序号存取元素,本地矩阵也有密度矩阵(Dense Matrix)、稀疏矩阵(Sparse Matrix)两种存储方法,其使用代码如下:
//密度矩阵的存储scala> import org.apache.spark.mllib.linalg.{Matrix, Matrices}import org.apache.spark.mllib.linalg.{Matrix, Matrices}//创建一个密度矩阵scala> val dm: Matrix = Matrices.dense(3, 2, Array(1.0, 3.0, 5.0, 2.0, 4.0, 6.0))dm: org.apache.spark.mllib.linalg.Matrix = 1.0 2.0 3.0 4.0 5.0 6.0
在Spark MLLib中,稀疏矩阵采用的是Compressed Sparse Column (CSC) 格式进行矩阵的存储,具体参见(http://www.tuicool.com/articles/A3emmqi)对稀疏矩阵存储的介绍,例如
//下列矩阵 1.0 0.0 4.0 0.0 3.0 5.0 2.0 0.0 6.0如果采用稀疏矩阵存储的话,其存储信息包括:实际存储值: [1.0, 2.0, 3.0, 4.0, 5.0, 6.0]`,矩阵元素对应的行索引:rowIndices=[0, 2, 1, 0, 1, 2]`列起始位置索引: `colPointers=[0, 2, 3, 6]`.scala> val sparseMatrix= Matrices.sparse(3, 3, Array(0, 2, 3, 6), Array(0, 2, 1, 0, 1, 2), Array(1.0, 2.0, 3.0, 4.0, 5.0, 6.0))sparseMatrix: org.apache.spark.mllib.linalg.Matrix = 3 x 3 CSCMatrix(0,0) 1.0(2,0) 2.0(1,1) 3.0(0,2) 4.0(1,2) 5.0(2,2) 6.0
- 1
2. 带类标签的特征向量(Labeled point)
Labeled point是Spark MLlib中最重要的数据结构之一,它在无监督学习算法中使用十分广泛,它也是一种本地向量,只不过它提供了类的标签,对于二元分类,它的标签数据为0和1,而对于多类分类,它的标签数据为0,1,2,…。它同本地向量一样,同时具有Sparse和Dense两种实现方式,例如:
scala> import org.apache.spark.mllib.regression.LabeledPointimport org.apache.spark.mllib.regression.LabeledPoint// LabeledPoint第一个参数是类标签数据,第二参数是对应的特征数据//下面给出的是其密度向量实现方式scala> val pos = LabeledPoint(1.0, Vectors.dense(1.0, 0.0, 3.0))pos: org.apache.spark.mllib.regression.LabeledPoint = (1.0,[1.0,0.0,3.0]) // LabeledPoint的稀疏向量实现方式scala> val neg = LabeledPoint(0.0, Vectors.sparse(3, Array(0, 2), Array(1.0, 3.0)))neg: org.apache.spark.mllib.regression.LabeledPoint = (0.0,(3,[0,2],[1.0,3.0]))
LabeledPoint的稀疏向量实现方式在实际中应用最为广泛,这是因为某一特征的维度可能达到上千,而这其中又存在大量对后期训练无益的零值特征信息,如果对所有的零值特征都进行存储的话,会浪费大量的存储空间,因此实际中常常使用稀疏的实现方式,使用的是LIBSVM格式:label index1:value1 index2:value2 …进行特征标签及特征的存储与读取。
scala> val examples: RDD[LabeledPoint] = MLUtils.loadLibSVMFile(sc, "/data/sample_data.txt")examples: org.apache.spark.rdd.RDD[org.apache.spark.mllib.regression.LabeledPoint] = MapPartitionsRDD[6] at map at MLUtils.scala:98
- 1
3. 分布式矩阵RowMatrix与CoordinateMatrix
下列代码演示了RowMatrix与CoordinateMatrix及其相关核心类的使用方法
package cn.ml.datastructimport org.apache.spark.SparkConfimport org.apache.spark.SparkContextimport org.apache.spark.mllib.linalg.Vectorsimport org.apache.spark.mllib.linalg.distributed.RowMatriximport org.apache.spark.mllib.linalg.distributed.CoordinateMatrixobject RowMatrixDedmo extends App { val sparkConf = new SparkConf().setAppName("RowMatrixDemo").setMaster("spark://sparkmaster:7077") val sc = new SparkContext(sparkConf) // 创建RDD[Vector] val rdd1= sc.parallelize( Array( Array(1.0,2.0,3.0,4.0), Array(2.0,3.0,4.0,5.0), Array(3.0,4.0,5.0,6.0) ) ).map(f => Vectors.dense(f)) //创建RowMatrix val rowMatirx = new RowMatrix(rdd1) //计算列之间的相似度,返回的是CoordinateMatrix,采用 //case class MatrixEntry(i: Long, j: Long, value: Double)存储值 var coordinateMatrix:CoordinateMatrix= rowMatirx.columnSimilarities() //返回矩阵行数、列数 println(coordinateMatrix.numCols()) println(coordinateMatrix.numRows()) //查看返回值,查看列与列之间的相似度 //Array[org.apache.spark.mllib.linalg.distributed.MatrixEntry] //= Array(MatrixEntry(2,3,0.9992204753914715), //MatrixEntry(0,1,0.9925833339709303), //MatrixEntry(1,2,0.9979288897338914), //MatrixEntry(0,3,0.9746318461970762), //MatrixEntry(1,3,0.9946115458726394), //MatrixEntry(0,2,0.9827076298239907)) println(coordinateMatrix.entries.collect()) //转成后块矩阵,下一节中详细讲解 coordinateMatrix.toBlockMatrix() //转换成索引行矩阵,下一节中详细讲解 coordinateMatrix.toIndexedRowMatrix() //转换成RowMatrix coordinateMatrix.toRowMatrix() //计算列统计信息 var mss:MultivariateStatisticalSummary=rowMatirx.computeColumnSummaryStatistics() //每列的均值, org.apache.spark.mllib.linalg.Vector = [2.0,3.0,4.0,5.0] mss.mean // 每列的最大值org.apache.spark.mllib.linalg.Vector = [3.0,4.0,5.0,6.0] mss.max // 每列的最小值 org.apache.spark.mllib.linalg.Vector = [1.0,2.0,3.0,4.0] mss.min //每列非零元素的个数org.apache.spark.mllib.linalg.Vector = [3.0,3.0,3.0,3.0] mss.numNonzeros //矩阵列的1-范数,||x||1 = sum(abs(xi)); //org.apache.spark.mllib.linalg.Vector = [6.0,9.0,12.0,15.0] mss.normL1 //矩阵列的2-范数,||x||2 = sqrt(sum(xi.^2)); // org.apache.spark.mllib.linalg.Vector = [3.7416573867739413,5.385164807134504,7.0710678118654755,8.774964387392123] mss.normL2 //矩阵列的方差 //org.apache.spark.mllib.linalg.Vector = [1.0,1.0,1.0,1.0] mss.variance //计算协方差 //covariance: org.apache.spark.mllib.linalg.Matrix = //1.0 1.0 1.0 1.0 //1.0 1.0 1.0 1.0 //1.0 1.0 1.0 1.0 //1.0 1.0 1.0 1.0 var covariance:Matrix=rowMatirx.computeCovariance() //计算拉姆矩阵rowMatirx^T*rowMatirx,T表示转置操作 //gramianMatrix: org.apache.spark.mllib.linalg.Matrix = //14.0 20.0 26.0 32.0 //20.0 29.0 38.0 47.0 //26.0 38.0 50.0 62.0 //32.0 47.0 62.0 77.0 var gramianMatrix:Matrix=rowMatirx.computeGramianMatrix() //对矩阵进行主成分分析,参数指定返回的列数,即主分成个数 //PCA算法是一种经典的降维算法 //principalComponents: org.apache.spark.mllib.linalg.Matrix = //-0.5000000000000002 0.8660254037844388 //-0.5000000000000002 -0.28867513459481275 //-0.5000000000000002 -0.28867513459481287 //-0.5000000000000002 -0.28867513459481287 var principalComponents=rowMatirx.computePrincipalComponents(2)/** * 对矩阵进行奇异值分解,设矩阵为A(m x n). 奇异值分解将计算三个矩阵,分别是U,S,V * 它们满足 A ~= U * S * V', S包含了设定的k个奇异值,U,V为相应的奇异值向量 */ // svd: org.apache.spark.mllib.linalg.SingularValueDecomposition[org.apache.spark.mllib.linalg.distributed.RowMatrix,org.apache.spark.mllib.linalg.Matrix] = //SingularValueDecomposition(org.apache.spark.mllib.linalg.distributed.RowMatrix@688884e,[13.011193721236575,0.8419251442105343,7.793650306633694E-8],-0.2830233037672786 -0.7873358937103356 -0.5230588083704528 //-0.4132328277901395 -0.3594977469144485 0.5762839813994667 //-0.5434423518130005 0.06834039988143598 0.4166084623124157 //-0.6736518758358616 0.4961785466773299 -0.4698336353414313 ) var svd:SingularValueDecomposition[RowMatrix, Matrix]=rowMatirx.computeSVD(3,true) //矩阵相乘积操作 var multiplyMatrix:RowMatrix=rowMatirx.multiply(Matrices.dense(4, 1, Array(1,2,3,4)))}
- Machine Learning On Spark——第一节:基础数据结构(一)
- Machine Learning On Spark——基础数据结构(一)
- Machine Learning On Spark——基础数据结构(二)
- Machine Learning on Spark—— 统计基础(一)
- Machine Learning On Spark——第二节:基础数据结构(二)
- Machine Learning on Spark——第三节 统计基础(一)
- Machine Learning on Spark——统计基础(二)
- Machine Learning on Spark——第四节 统计基础(二)
- spark on machine learning--数据类型
- spark on machine learning--基本统计
- Machine Learning on Spark--Data Type
- Machine Learning on Spark -- Basic Statistics
- [机器学习基础] Notes on Machine Learning
- Spark Machine Learning 总览
- Machine Learning—Online Learning
- Machine Learning—决策树
- Spark入门到精通视频学习资料--第六章:Machine Learning on Spark(1讲)
- Apache Spark Machine Learning Tutorial
- 将mybatis源码导入eclipse项目中
- react 组件库封装(一)
- VS2015调用Matlab2017a环境配置
- ASCII码的一些理解
- stm8s003f3使用杂记
- Machine Learning On Spark——基础数据结构(一)
- 知识梳理-理解MySQL——索引与优化
- C语言中遇到的一些问题
- 在adb中通过命令启动设置
- elasticsearch 配置详解
- 常见的浏览器兼容性测试工具
- OpenCV3.2-contrib 编译通过文件及配置
- 利用SSD和自己训练好的模型进行目标检测
- Java JDBC 连接数据库