《淘宝双11数据分析与预测课程案例—步骤四:利用Spark预测回头客行为（python版）》
开发团队：厦门大学数据库实验室 联系人：林子雨老师ziyulin@xmu.edu.cn
版权声明：版权归厦门大学数据库实验室所有，请勿用于商业用途；未经授权，其他网站请勿转载
本教程介绍大数据课程实验案例“淘宝双11数据分析与预测”的第五个步骤，利用Spark预测回头客。在实践本步骤之前，请先完成该实验案例的第一个步骤——本地数据集上传到数据仓库Hive，第二个步骤——Hive数据分析，和第三个步骤——将数据从Hive导入到MySQL，这里假设你已经完成了前面的这四个步骤。
这里列出test.csv和train.csv中字段的描述，字段定义如下：
- user_id | 买家id
- age_range | 买家年龄分段：1表示年龄小于18,2表示年龄在[18,24]，3表示年龄在[25,29]，4表示年龄在[30,34]，5表示年龄在[35,39]，6表示年龄在[40,49]，7和8表示年龄大于等于50,0和NULL则表示未知
- gender | 性别:0表示女性，1表示男性，2和NULL表示未知
- merchant_id | 商家id
- label | 是否是回头客，0值表示不是回头客，1值表示回头客，-1值表示该用户已经超出我们所需要考虑的预测范围。NULL值只存在测试集，在测试集中表示需要预测的值。
这里需要预先处理test.csv数据集，把这test.csv数据集里label字段表示-1值剔除掉,保留需要预测的数据.并假设需要预测的数据中label字段均为1.
上面使用vim编辑器新建了一个predeal_test.sh脚本文件，请在这个脚本文件中加入下面代码：
#!/bin/bash #下面设置输入文件，把用户执行predeal_test.sh命令时提供的第一个参数作为输入文件名称 infile=$1 #下面设置输出文件，把用户执行predeal_test.sh命令时提供的第二个参数作为输出文件名称 outfile=$2 #注意！！最后的$infile > $outfile必须跟在}’这两个字符的后面 awk -F "," 'BEGIN{ id=0; } { if($1 && $2 && $3 && $4 && !$5){ id=id+1; print $1","$2","$3","$4","1 if(id==10000){ exit } } }' $infile > $outfile
下面就可以执行predeal_test.sh脚本文件，截取测试数据集需要预测的数据到test_after.csv，命令如下：
train.csv的第一行都是字段名称，不需要第一行字段名称,这里在对train.csv做数据预处理时，删除第一行
然后剔除掉train.csv中字段值部分字段值为空的数据。
上面使用vim编辑器#新建了一个predeal_train.sh脚本文件，请在这个脚本文件中加入下面代码：
#!/bin/bash #下面设置输入文件，把用户执行predeal_train.sh命令时提供的第一个参数作为输入文件名称 infile=$1 #下面设置输出文件，把用户执行predeal_train.sh命令时提供的第二个参数作为输出文件名称 outfile=$2 #注意！！最后的$infile > $outfile必须跟在}’这两个字符的后面 awk -F "," 'BEGIN{ id=0; } { if($1 && $2 && $3 && $4 && ($5!=-1)){ id=id+1; print $1","$2","$3","$4","$5 if(id==10000){ exit } } }' $infile > $outfile
下面就可以执行predeal_train.sh脚本文件，截取测试数据集需要预测的数据到train_after.csv，命令如下：
请先确定Spark的运行方式，如果Spark是基于Hadoop伪分布式运行，那么请先运行Hadoop。 如果Hadoop没有运行，请执行如下命令：
将两个数据集分别存取到HDFS中
输入密码后，你就可以进入“mysql>”命令提示符状态，然后就可以输入下面的SQL语句完成表的创建：
Spark支持通过JDBC方式连接到其他数据库获取数据生成Dataframe。 下载MySQL的JDBC驱动（mysql-connector-java-5.1.40.zip） mysql-connector-java-*.zip是Java连接MySQL的驱动包,默认会下载到”~/下载/”目录 执行如下命令：
接下来正式启动pyspark
这里使用Spark MLlib自带的支持向量机SVM分类器进行预测回头客，有关更多Spark MLlib中SVM分类器的学习知识，请点击Spark入门：支持向量机SVM分类器进行学习。 在pyspark中执行如下操作： 1.导入需要的包 首先，我们导入需要的包：
2.读取训练数据 首先，读取训练文本文件；然后，通过map将每行的数据用“,”隔开，在数据集中，每行被分成了5部分，前4部分是用户交易的3个特征(age_range,gender,merchant_id)，最后一部分是用户交易的分类(label)。把这里我们用LabeledPoint来存储标签列和特征列。LabeledPoint在监督学习中常用来存储标签和特征，其中要求标签的类型是double，特征的类型是Vector。
3.构建模型
接下来，通过训练集构建模型SVMWithSGD。这里的SGD即著名的随机梯度下降算法（Stochastic Gradient Descent）。设置迭代次数为1000，除此之外还有stepSize（迭代步伐大小），regParam（regularization正则化控制参数），miniBatchFraction（每次迭代参与计算的样本比例），initialWeights（weight向量初始值）等参数可以进行设置。
4.评估模型 接下来，我们清除默认阈值，这样会输出原始的预测评分，即带有确信度的结果。
spark-shell会打印出如下结果
...... -59045.132228013084 1.0 -81550.17634254562 1.0 -87393.69932070676 1.0 -34743.183626268634 1.0 -42541.544145105494 1.0 -75530.22669142077 1.0 -84157.31973688163 1.0 -18673.911440386535 1.0 -43765.52530945006 1.0 -80524.44350315288 1.0 -61709.836501153935 1.0 -37486.854426141384 1.0 -79793.17112276069 1.0 -21754.021986991942 1.0 -50378.971923247285 1.0 -11646.722569368836 1.0 ......
如果我们设定了阀值，则会把大于阈值的结果当成正预测，小于阈值的结果当成负预测。
5.把结果添加到mysql数据库中 现在我们将上面没有设定阀值的测试集结果存入到MySQL数据中。