阿里音乐流行趋势预测大赛一起做-（2）weka初识

本次比赛第一赛季我们团队大赛先用weka对数据进行预处理。weka是一款开源的，免费的，基于JAVA环境下开源的机器学习（machine learning）以及数据挖掘（data mining）软件。我非常喜欢这个软件，很容易上手，功能很强大，也不需要很多的编程，图形化做的比较好。打算在数据预处理上主要使用weka。

weka下载安装

weka软件下载网址，根据自己的操作系统选择Windows还是Mac，32位还是64位，强烈推荐装64位系统，因为赛题数据较大，约500M，如果想一次性读取的话，大概需要3.5G内存，而32位系统最大的物理寻址内存也就是4G，再加上系统其它占用，无法一次性导入这么大的数据。当然你也可以分批次导入，这样麻烦一些，需要自己研究一下。

软件下载

在此选择版本的时候需要注意一下，分两种：stable version和developer version，两者的区别是后者多了个package manager，可以安装最新的包；还有就是根据你电脑是否有JAVA 虚拟机选择版本，如果你电脑本身没有装过JAVA虚拟机，就要选择如下红色方框内版本： 
 
如果电脑里已经装过了JAVA虚拟机，选择红色方框下面那个下载安装即可。下载好后安装基本和普通软件安装方法一致。

设置环境变量

安装后需要设置一下环境变量： 
首先你应该知道你jdk装在哪了！ 
我的电脑>右键>属性>高级>环境变量，在系统变量下方 点新建。 
1.新建JAVA_HOME 
变量名：JAVA_HOME 
变量值：jdk的安装路径至根目录，比如说你装到了d盘，文件夹的名字是jdk1.7.5 那么这里你就粘贴D:\jdk1.7.5 不要加;号，一定是根目录，也就是看到第一个文件夹是bin的目录。大小写看清楚了，别乱加符号，写好点确定。 
2.添加path变量 
在系统变量里找到path变量双击点开，别的不要动，点到变量值里按键盘Home键，确保光标在第一个位置，写%JAVA_HOME%\bin;记得打; 分号，还要提示全是英文状态的符号前后没有什么空格。我只是为了你方便看清楚。 
3.新建classpath变量 
这个变量可配可不配 
在系统变量里点新建 
变量名: classpath 
变量值: .; 
变量值我就写的 点分号 就可以了！ 有确定的就点确定！ok配好了！

weka更改默认内存，导入大文件

点击我的电脑>所有程序>weka3.6.13>weka3.6，就打开了weka。 
注意还有一个图标weka3.6(with console)是命令行界面，我们初学者一般不用。 
打开weka3.6后的界面如下： 
 
我们选择红框里的第一项：explorer，打开后，我们就要导入数据，如下选择preprocess用来做数据预处理，然后点击open file打开要导入的文件，这里我们选择主办方提供的500M数据mars_tianchi_user_actions.csv 
 
导入后可能会出现 out of memory错误，这是因为weka默认的内存不足引起的，具体查看方法： 
首先找到weka的安装路径，我的安装路径是D:\Program Files\Weka-3-6，路径下有个RunWeka.ini文件，用记事本打开，里面有一行代码： 
maxheap=1024M，这个是我的系统weka给我分配的内存，操作系统不同，weka版本不同这个默认内存可能不一样。由于weka软件运行本身也需要内存，所以虽然数据是500M，但是打开处理这500M数据需要的内存远不止500M。所以我们要更改此处默认设置，由于我的电脑是8G内存，我给weka分配5G内存，我将此处代码更改为maxheap=5120M。更改完后保存该文档并关闭。 
更改weka内存后重新打开mars_tianchi_user_actions.csv文件，慢的话可能需要1~3分钟才能打开。打开后鼠标移动到最下面的任务栏，右键点击后出现memory information，如下图 
 
左键单击后，等候几秒任务栏就会出现内存使用信息，如下图 
 
free为目前空闲的内存，total为目前使用的内存，两者相减发现仅仅执行打开操作，已经使用了将近1G的内存。后面做其他的处理还需要消耗内存，所以默认内存大小设置稍微大一些比较好。

weka示例简析

我们简单介绍一下weka的数据可视化，让大家对weka的简便易用有个直观了解。 
我们选择open file，打开mars_tianchi_songs文件，出现如下界面 

我们以publish_time为例来说明，因为song_id,artist_id取值太多，右下角无法显示。两个红框里的distinct表示publish_time里包含的不同数值的个数，unique表示某数值仅出现一次的这种情况数值个数。 
再来看右下角的图，横坐标表示publish_time的取值范围，纵坐标表示，该值重复出现了多少次。注意红框里标注的class:gender表示将每个纵坐标内的gender进行了统计显示。gender在这里表示男，女，乐队组合，分别用红，绿，蓝三种颜色表示（不一定对应上述的男，女，乐队组合）。假如绿色表示男，红色表示女，蓝色表示乐队组合。此图给出的信息是： 
1. publish_time取值范围从19630322到20160207。时间跨度挺大。 
2. 从左到右看，早期的时候只有绿色，后来逐渐出现了红色，然后才出现了蓝色。说明gender这个字段对publish_time还是有一定的辨别效果的。 
当然，也可以选择class的选项为其他几个字段。 
实际上，此处存在一个问题，publish_time是日期类型，而weka默认的类型为numeric，也就是数字型。这点需要做修改。这些后续再介绍。

总结

至此，我们已经会用weka对数据做一个基本的可视化操作了。不难发现，weka对数据预处理的能力非常强大，不像Python，R那样需要写函数，再作图。weka直接点点点就帮我们都做好啦，实在太方便啦。