学步园

[原文]：http://www.sobuhu.com/archives/567

最近发现一个很好玩的Python库，可以方便的使用在Python下编写MapReduce任务，直接使用Hadoop Streaming在Hadoop上跑。对于一般的Hadoop而言，如果任务需要大量的IO相关操作（如数据库查询、文件读写等），使用Python还是Java、C++，性能差别不大，而如果需要大量的数据运算，那可能Python会慢很多（语言级别上的慢），参考这里。

最常见的如日志分析、Query统计等，都可以直接用Python快速完成。

Python作为一种快速开发语言，优美、简洁的语法征服了很多人，现在很多的机器学习程序最初都是跑在Python上的（如知乎的推荐引擎），只有当规模大到一定程度才会转移到C或Java上。

本文会通过一个简单的电影推荐系统来介绍如何使用MrJOB。

 首先，可能很多人对性能格外在意，可以先看这篇文章：

http://stackoverflow.com/questions/1482282/java-vs-python-on-hadoop

MrJob项目地址： https://github.com/Yelp/mrjob

MrJOB的精简介绍

这里重点在于实现电影推荐的系统，所以对于MrJob本身的介绍会比较简略，够用即可，详细说明可以看官方文档。

首先，在Python中安装mrjob后，最基本的MapReduce任务很简单：

Python

 

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19

frommrjob.job importMRJob importre   WORD_RE=re.compile(r"[\w']+")   classMRWordFreqCount(MRJob):       defmapper(self,_,line):         forword inWORD_RE.findall(line):             yieldword.lower(),1       defcombiner(self,word,counts):         yieldword,sum(counts)       defreducer(self,word,counts):         yieldword,sum(counts)   if__name__=='__main__':     MRWordFreqCount.run()

上面的代码中，有三个函数，mapper、combiner、reducer，作用和普通的Java版本相同：

• mapper用来接收每一行的数据输入，对其进行处理返回一个key-value对；
• combiner接收mapper输出的key-value对进行整合，把相同key的value作为数组输入处理后输出；
• reducer和combiner的作用完全相同，不同之处在于combiner是对于单个mapper进行处理，而reducer是对整个任务（可能有很多mapper在执行）的key-value进行处理。它以各个combiner的输出作为输入。

更为详细的介绍，如分步任务、数据初始化等可以参考其这份官方文档。

电影推荐系统

假设我们现在有一个影视网站，每一个用户可以给电影评1到5分，现在我们需要计算每两个电影之间的相似度，其过程是：

• 对于任一电影A和B，我们能找出所有同时为A和B评分过的人；
• 根据这些人的评分，构建一个基于电影A的向量和一个基于电影B的向量；
• 根据这两个向量计算他们之间的相似度；
• 当有用户看过一部电影之后，我们给他推荐与之相似度最高的另一部电影；

你可以从这里下载一些开源的电影评分数据，我们使用的是1000个用户对1700部电影进行的100000万个评分数据，下载后的数据文件夹包含一个README，里面有对各个文件的详细介绍，鉴于我们只需要（user|movie|rating）数据，所以我们用Python把这些数据进行一些处理：

Python

 

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28

#!/usr/python/env python if__name__=='__main__':     user_items=[]     items=[]     withopen('u.data')asf:         forline inf:             user_items.append(line.split('\t'))       withopen('u.item')asf:         forline inf:             items.append(line.split('|'))     print'user_items[0] = ',user_items[0]     print'items[0] = ',items[0]       items_hash={}     foriinitems:         items_hash[i[0]]=i[1]       print'items_hash[1] = ',items_hash['1']       forui inuser_items:         ui[1]=items_hash[ui[1]]       print'user_items[0] = ',user_items[0]       withopen('ratings.csv','w')asf:         forui inuser_items:             f.write(ui[0]+'|'+ui[1]+'|'+ui[2]+'\n')

处理后的数据类大约似于这样：

YAML

 

1 2 3 4 5 6 7 8 9

196|Kolya(1996)|3 186|L.A.Confidential(1997)|3 22|Heavyweights(1994)|1 244|LegendsoftheFall(1994)|2 166|JackieBrown(1997)|1 298|Dr.Strangeloveor: How I Learned to Stop Worrying and Love the Bomb (1963)|4 115|HuntforRedOctober,The(1990)|2 253|JungleBook,The(1994)|5 305|Grease(1978)|3

 

皮尔逊相关系数

判断两个向量的相似度的方式有很多种，比如测量其欧氏距离、海明距离等，这里我们用皮尔逊相关系数来计算器相关性，该系数可以理解为两个向量之间夹角的余弦值，介于-1到1之间，绝对值越大相关性越强，公式为：

第一步，我们首先对把每个用户的所有评分聚合到一起，代码如下：

Python

 

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41

#!/usr/bin/env python # coding=utf-8 frommrjob.job importMRJob   classStep1(MRJob):     """     第一步是聚合单个用户的下的所有评分数据     格式为：user_id, (item_count, rating_sum, [(item_id,rating)...])     """     defgroup_by_user_rating(self,key,line):         """         该mapper输出为：         17 70,3         35 21,1         49 19,2         49 21,1         """         user_id,item_id,rating=line.split('|')         yielduser_id,(item_id,float(rating))       defcount_ratings_users_freq(self,user_id,values):         """         该reducer输出为：         49 (3,7,[19,2 21,1 70,4])         """         item_count=0         item_sum=0         final=[]         foritem_id,rating invalues:             item_count+=1             item_sum+=rating             final.append((item_id,rating))           yielduser_id,(item_count,item_sum,final)       defsteps(self):         return[self.mr(mapper=self.group_by_user_rating,                         reducer=self.count_ratings_users_freq),]   if__name__=='__main__':     Step1.run()

使用命令 $python step1.py ratings.csv > result1.csv 获得第一步的结果。

第二步，根据第一步聚合起来的用户评分，按照皮尔逊系数算法获得任一两个电影之间的相关性，代码及注释如下：

Python

 

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59

#!/usr/bin/env python #! coding=utf-8 frommrjob.job importMRJob fromitertoolsimportcombinations frommathimportsqrt   classStep2(MRJob):     defpairwise_items(self,user_id,values):         '''         本mapper使用step1的输出作为输入，把user_id丢弃掉不再使用         输出结果为 （item_1,item2），(rating_1,rating_2)           这里combinations(iterable,number)的作用是求某个集合的组合，         如combinations([1,2,3,4],2)就是在集合种找出任两个数的组合。           这个mapper是整个任务的性能瓶颈，这是因为combinations函数生成的数据         比较多，这么多的零散数据依次写回磁盘，IO操作过于频繁，可以用写一个         Combiner来紧接着mapper做一些聚合操作（和Reducer相同），由Combiner         把数据写回磁盘，该Combiner也可以用C库来实现，由Python调用。         '''         # 这里由于step1是分开的，把数据dump到文件result1.csv中，所以读取的时候         # 需要按照字符串处理，如果step1和step2在同一个job内完成，则直接可以去掉         # 这一行代码，在同一个job内完成参见steps函数的使用说明。         values=eval(values.split('\t')[1])         item_count,item_sum,ratings=values         foritem1,item2 incombinations(ratings,2):             yield(item1[0],item2[0]),(item1[1],item2[1])       defcalculate_similarity(self,pair_key,lines):         '''         (Movie A,Movie B)作为Key，(A rating,B rating)作为该reducer的输入，         每一次输入属于同一个用户，所有当两个key相同时，代表他们两个都看了A和B，所以         按照这些所有都看了A、B的人的评分作为向量，计算A、B的皮尔逊系数。         '''         sum_xx,sum_xy,sum_yy,sum_x,sum_y,n=(0.0,0.0,0.0,0.0,0.0,0)         item_pair,co_ratings=pair_key,lines         item_xname,item_yname=item_pair         foritem_x,item_y inco_ratings:             sum_xx+=item_x*item_x             sum_yy+=item_y*item_y             sum_xy+=item_x*item_y             sum_y+=item_y             sum_x+=item_x             n+=1         similarity=self.normalized_correlation(n,sum_xy,sum_x,sum_y,sum_xx,sum_yy)         yield(item_xname,item_yname),(similarity,n)       defsteps(self):         return[self.mr(mapper=self.pairwise_items,                         reducer=self.calculate_similarity),]       defnormalized_correlation(self,n,sum_xy,sum_x,sum_y,sum_xx,sum_yy):         numerator=(n*sum_xy-sum_x*sum_y)         denominator=sqrt(n*sum_xx-sum_x*sum_x)*sqrt(n*sum_yy-sum_y*sum_y)         similarity=numerator/denominator         returnsimilarity   if__name__=='__main__':     Step2.run()

使用命令 $python step2.py result1.csv > result2.csv 获得第二步的结果。

获得结果集示例：

[Movie A, Movie B] [similarity, rating count]

Python

 

1 2 3 4 5 6 7 8 9 10 11

["Star Trek VI: The Undiscovered Country (1991)","Star Trek: Generations (1994)"]    [0.31762191045234545,93] ["Star Trek VI: The Undiscovered Country (1991)","Star Trek: The Motion Picture (1979)"]    [0.4632318663542742,96] ["Star Trek VI: The Undiscovered Country (1991)","Star Trek: The Wrath of Khan (1982)"]    [0.44969297939248015,148] ["Star Trek VI: The Undiscovered Country (1991)","Star Wars (1977)"]    [0.08625580124837125,151] ["Star Trek VI: The Undiscovered Country (1991)","Stargate (1994)"]    [0.30431878197511564,94] ["Star Trek VI: The Undiscovered Country (1991)","Stars Fell on Henrietta, The (1995)"]    [1.0,2] ["Star Trek VI: The Undiscovered Country (1991)","Starship Troopers (1997)"]    [0.14969005091372395,59] ["Star Trek VI: The Undiscovered Country (1991)","Steal Big, Steal Little (1995)"]    [0.74535599249993,5] ["Star Trek VI: The Undiscovered Country (1991)","Stealing Beauty (1996)"]    [-0.4879500364742666,10] ["Star Trek VI: The Undiscovered Country (1991)","Steel (1997)"]    [1.0,2] ["Star Trek VI: The Undiscovered Country (1991)","Stephen King's The Langoliers (1995)"]    [-0.11470786693528087,16]

可以看到结果还是具有一定的实际价值的，需要注意的是，Stars Fell on Henrietta, The (1995) 这部电影是1.0，也就是完全相关，但是由于只有两个人同时对他们进行了评价，所以结果并非全都很正确，这里还要考虑多少人进行了评价。

结语

本文的内容来自于参考资料中的博客，博主仅做了整理工作，有任何问题可以和我交流。需要指出的是，类似于本文中的电影推荐仅仅是众多推荐算法中一种，可以说是对物品进行相似度判断，实际上也可以根据用户进行用户相似度判断，相似的用户总是喜欢相同的电影，这在实践中效果更好一点，也更容易根据社交关系进一步挖掘。

 

参考资料：http://aimotion.blogspot.com.br/2012/08/introduction-to-recommendations-with.html