pyspark 与 scala 中的 FPgrowth 计算关联

Question

使用：

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

蟒蛇代码：

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)
}

从这里的代码可以看出，scala 部分没有最低限度的信心。

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)
  }

在pyspark的情况下如何添加minConfidence来生成关联规则？我们可以看到scala有例子，而python没有例子。

Answer 1

火花 >= 2.2

有一个DataFrame基本mlAPI 提供AssociationRules：

from pyspark.ml.fpm import FPGrowth

data = ...

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

火花 < 2.2

至于现在 PySpark 不支持提取关联规则（DataFrame基于FPGrowthPython 支持的API 正在进行中SPARK-1450）但我们可以轻松解决这个问题。

首先，您必须安装 SBT（只需转到下载页面）并按照您的操作系统的说明进行操作。

接下来，您必须创建一个只有两个文件的简单 Scala 项目：

.
??? AssociationRulesExtractor.scala
??? build.sbt

您可以稍后调整它以遵循既定的目录结构。

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并将路径传递到生成的 jar 文件--driver-class-path：

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

在非本地模式下：

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器：

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

最后，您可以将这些助手用作函数：

generateAssociationRules(model, 0.9)

或作为一种方法：

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

此解决方案依赖于内部 PySpark 方法，因此不能保证它可以在版本之间移植。