catalogue
前言
由于任务书里的描述不够清晰，本文代码只代表本人理解的需求完成，如有错误，请指出。
会用到的库和方法
import org.apache.spark.ml.linalg.{Vector,Vectors}
import org.apache.spark.ml.feature.{StandardScaler,OneHotEncoder, StringIndexer, StringIndexerModel, VectorAssembler}
import org.apache.spark.ml.functions.vector\_to\_array
// 使用VectorAssembler将所有特征组合成一个向量
val assembler = new VectorAssembler().setInputCols(numericalCol).setOutputCol("features")
val assembled = assembler.transform(product_info)
// 使用StandardScaler对数值特征进行规范化处理
// assembled对feature字段里面的每个值做.setWithStd(true).setWithMean(true)处理
val scaler = new StandardScaler().setInputCol("features").setOutputCol("scaledFeatures")
.setWithStd(true)
.setWithMean(true)
val scaled = scaler.fit(assembled).transform(assembled)
// 非数值类型的数据需要先进行StringIndexer处理后再进行onehot
// 其实就是把类型改为从0开始的键
val indexer: StringIndexerModel = new StringIndexer()
.setInputCol("color")
.setOutputCol("index\_color")
.fit(data)
// 如果输入字段本身就数字类型，那么稀疏向量的个数是最大值+1，
// 因为默认从0开始表示第一个类型
val encoder = new OneHotEncoder()
.setInputCol("index\_color")
.setOutputCol("encoded\_color")
.setDropLast(false)
encoder.fit(indexData).transform(indexData)
val indexData: DataFrame = indexer.transform(data)
/\*\*
\* 计算两个列表的杰卡德相似度
\* @param list1
\* @param list2
\* @return 两个列表的杰卡德相似度
\*/
def jaccardSimilarity(list1: List[String], list2: List[String]): Double = {
val set1 = list1.toSet
val set2 = list2.toSet
val intersection = set1.intersect(set2).size.toDouble
val union = set1.union(set2).size.toDouble
intersection / union
}
StandardScaler是Spark ML库中的一个特征处理方法，用于对数值型特征进行标准化处理。标准化是一种常见的特征处理方法，它可以将数值型特征缩放到一个标准的范围，使得它们在数值上处于同一数量级，从而避免某些特征由于数值过大而在模型中占据主导地位。
具体来说，StandardScaler会对每个特征进行以下操作：
- 计算特征的平均值和标准差。
- 将特征的每个值减去平均值，然后除以标准差。
这样处理后，每个特征的平均值会变为0，标准差会变为1。
例如，假设你有一个DataFrame，它包含两个字段：“length"和"price”。你可以使用VectorAssembler将这两个字段合并为一个向量列"features"，然后使用StandardScaler对这个向量列进行标准化处理。假设"length"字段的平均值为a，标准差为b，"price"字段的平均值为c，标准差为d，那么StandardScaler会将"features"列中的每个向量
[
x
,
y
]
转换为
[
(
x
−
a
)
/
b
,
(
y
−
c
)
/
d
]
[x, y] 转换为 [(x - a) / b, (y - c) / d]
[x,y]转换为[(x−a)/b,(y−c)/d]。
基础知识
余弦相似度
- A,B为向量，向量长度必须一致，这表示维度一致。
- 公式如下：
- 代码如下：
import org.apache.spark.ml.linalg.{Vector, Vectors}
import org.apache.spark.sql.functions.udf
// 定义一个UDF，用于计算两个向量的余弦相似度
val cosineSimilarity = udf((v1: Vector, v2: Vector) => {
val dotProduct = v1.dot(v2)
val norms = Vectors.norm(v1, 2) \* Vectors.norm(v2, 2)
dotProduct / norms
}:Double)
上面的v1,v2可以看作向量A、B。
这段代码是用来计算两个向量的余弦相似度。余弦相似度是一种常用的相似度度量方法，它可以衡量两个向量之间的夹角的余弦值。如果两个向量的方向完全相同，那么它们的余弦相似度就是1；如果两个向量的方向完全相反，那么它们的余弦相似度就是-1；如果两个向量是正交的，那么它们的余弦相似度就是0。
这段代码中的每一行都有特定的作用：
- val dotProduct = Vectors.dot(v1, v2)：这行代码计算了向量v1和v2的点积。点积是将两个向量的对应元素相乘，然后将结果相加得到的一个标量。公式中对应分子的计算。
- val norms = Vectors.norm(v1, 2) * Vectors.norm(v2, 2)：这行代码计算了向量v1和v2的范数（也就是长度），然后将结果相乘。范数是将向量的每个元素的平方相加，然后取平方根得到的一个标量。公式中对应分母的计算。
- dotProduct / norms：这行代码计算了点积除以范数的结果。这就是余弦相似度。
23年国赛题代码
每个feature函数和它调用的子函数表示每个特征工程的任务代码。
为什么要这么写呢？
因为不可能一步到位，所以分步完成每一个任务。
注意：代码中数据获取皆从mysql中获取，任务书可能要求是hive、hudi。
package Bds
import Bds.DataFrameUtils._ // 这是封装的一个获取各种数据仓库配置项的模块
import org.apache.spark.ml.feature._
import org.apache.spark.ml.linalg._
import org.apache.spark.ml.functions.vector\_to\_array
import org.apache.spark.sql.DataFrame
import org.apache.spark.sql.expressions.Window
import org.apache.spark.sql.functions._
object dataMining {
val spark = getSparkSession("dataM")
spark.sparkContext.setLogLevel("OFF")
// 获取mysql配置项
val mySQLConfig = getMySQLCf("shtd\_store","sku\_info","bigdata1")
def order_detail(): DataFrame ={
mySQLConfig("dbtable") = "order\_info"
val order = spark.read.format("jdbc").options(mySQLConfig).load()
mySQLConfig("dbtable") = "order\_detail"
val detail = spark.read.format("jdbc").options(mySQLConfig).load()
mySQLConfig("dbtable") = "sku\_info"
val sku_info = spark.read.format("jdbc").options(mySQLConfig).load()
// 连接三个表即可剔除不存在现有维表的数据
order.join(detail,order("id")===detail("order\_id"))
.select(order("user\_id"),detail("sku\_id"))
.join(sku_info,col("sku\_id")===col("id"))
// 不确定种类是指sku\_id还是category3\_id，这里用的是category，如果使用sku\_id注释掉下面这一行即可
.select(col("user\_id"),col("category3\_id").as("sku\_id"))
.dropDuplicates("user\_id","sku\_id")
}
def feature1(targetUser:Int=6708): Unit ={
val userBuySku = order_detail()
val resultDf = userBuySku.filter(col("user\_id")=!=targetUser).join(
userBuySku.filter(col("user\_id")===targetUser),
Seq("sku\_id"),"semi"
).groupBy("user\_id").count()
val result = resultDf.orderBy(desc("count")).limit(10)
.collect().map(_.getLong(0)).mkString(",")
println("-------------------相同种类前10的id结果展示为：--------------------")
println(result)
}
def skuFeature(): DataFrame ={
// 读取商品数据
val sku = spark.read.format("jdbc").options(mySQLConfig).load()
**既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，涵盖了95%以上大数据知识点，真正体系化！**
**由于文件比较多，这里只是将部分目录截图出来，全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频，并且后续会持续更新**
**[需要这份系统化资料的朋友，可以戳这里获取](https://gitee.com/vip204888)**
