def training_data_prepare(spark, filename):
# 若只是处理较少数据时，为提升速度应启用该函数
header, rdd = fw.read_data(spark, filename)
# 初步过滤表头
header = list(header.split(','))
header.pop(0)
# # 若要进行并发应该启用该函数
# header, rdd = fw.read_list_data(spark, filename)
# 打印数据的记录数、最大值、最小值、平均值以及标准差，以及计算皮尔逊相关系数
personal_array = data_description(spark, rdd.cache(), header)
# 打印数据的皮尔逊相关系数
personal_show(personal_array, header)
# 将文件中数量级过大的数据转换为合适的规格
rdd = annual_premium_scaler(spark, rdd, header)
# 将线性相关性强的特征进行合并
rdd, header = damaged_couple(rdd, header)
# 将年龄进行定性化
rdd = arrange_for_age(rdd, header)
# 使用卡方验证二次清洗数据
cleaned_rdd, cleaned_header = useful_select(spark, rdd, header)
def map_fuc_rdd(row):
ret = []
for i in range(len(row) - 1):
ret.append(row[i])
return ret, row[-1]
cleaned_rdd = cleaned_rdd.map(map_fuc_rdd)
# 设置PCA降维的维度
# n = 3
# pp.PCA_builder(spark,rdd,n)
# 将数据格式转换为机器学习所要求的格式
def map_fuc(row):
features_array = np.array(row[0])
index_array = np.arange(features_array.size)
num = features_array.size
return row[1], Vectors.sparse(num, index_array, features_array)
labeled_points_rdd = cleaned_rdd.map(map_fuc)
# print(labeled_points_rdd.first())
data = spark.createDataFrame(labeled_points_rdd,
schema=['label', 'indexedFeatures'])
# 使用特征转换器进行对数据的进一步处理
data = VectorIndexer(inputCol="indexedFeatures",
outputCol="features",
maxCategories=4).fit(data).transform(data)
# 筛选掉无用的列
data = data.drop("indexedFeatures")
data = balanceDataset(data)
# 将数据集分为训练集和测试集
training_data, check_data = data.randomSplit([0.7, 0.3])
# 对小类进行过采样
training_data = enlarge_data(training_data, 0.15)
return training_data.cache(), check_data.cache(), cleaned_header
