20

我很好奇在最新的 2.0.1 版本中是否有类似于 sklearn 的 http://scikit-learn.org/stable/modules/generated/sklearn.model_selection.StratifiedShuffleSplit.html用于 apache-spark 的东西。

到目前为止，我只能找到https://spark.apache.org/docs/latest/mllib-statistics.html#stratified-sampling这似乎不太适合将严重不平衡的数据集拆分为训练/测试样本。

4

4 回答 4

9

Spark 支持https://s3.amazonaws.com/sparksummit-share/ml-ams-1.0.1/6-sampling/scala/6-sampling_student.html中所述的分层样本

df.stat.sampleBy("label", Map(0 -> .10, 1 -> .20, 2 -> .3), 0)
于 2018-06-19T14:46:47.073 回答
8

假设我们有一个这样的数据集：

+---+-----+
| id|label|
+---+-----+
|  0|  0.0|
|  1|  1.0|
|  2|  0.0|
|  3|  1.0|
|  4|  0.0|
|  5|  1.0|
|  6|  0.0|
|  7|  1.0|
|  8|  0.0|
|  9|  1.0|
+---+-----+

这个数据集是完美平衡的，但这种方法也适用于不平衡的数据。

现在，让我们用额外的信息来扩充这个 DataFrame，这些信息对于决定哪些行应该去训练集很有用。步骤如下：

  • 确定每个标签的多少示例应该是给定一些的训练集的一部分ratio。
  • 打乱 DataFrame 的行。
  • 使用窗口函数对 DataFrame 进行分区和排序label，然后使用 对每个标签的观察结果进行排名row_number()。

我们最终得到以下数据框：

+---+-----+----------+
| id|label|row_number|
+---+-----+----------+
|  6|  0.0|         1|
|  2|  0.0|         2|
|  0|  0.0|         3|
|  4|  0.0|         4|
|  8|  0.0|         5|
|  9|  1.0|         1|
|  5|  1.0|         2|
|  3|  1.0|         3|
|  1|  1.0|         4|
|  7|  1.0|         5|
+---+-----+----------+

注意：行被打乱（参见：id列中的随机顺序），按标签分区（参见：label列）并排名。

假设我们想要进行 80% 的拆分。在这种情况下，我们希望四个1.0标签和四个0.0标签用于训练数据集，一个1.0标签和一个0.0标签用于测试数据集。我们在row_number列中有这些信息，所以现在我们可以简单地在用户定义的函数中使用它（如果row_number小于或等于四，则示例转到训练集）。

应用UDF后，得到的数据帧如下：

+---+-----+----------+----------+
| id|label|row_number|isTrainSet|
+---+-----+----------+----------+
|  6|  0.0|         1|      true|
|  2|  0.0|         2|      true|
|  0|  0.0|         3|      true|
|  4|  0.0|         4|      true|
|  8|  0.0|         5|     false|
|  9|  1.0|         1|      true|
|  5|  1.0|         2|      true|
|  3|  1.0|         3|      true|
|  1|  1.0|         4|      true|
|  7|  1.0|         5|     false|
+---+-----+----------+----------+

现在，要获得训练/测试数据，必须做：

val train = df.where(col("isTrainSet") === true)
val test = df.where(col("isTrainSet") === false)

对于一些非常大的数据集，这些排序和分区步骤可能会让人望而却步，因此我建议首先尽可能过滤数据集。物理计划如下：

== Physical Plan ==
*(3) Project [id#4, label#5, row_number#11, if (isnull(row_number#11)) null else UDF(label#5, row_number#11) AS isTrainSet#48]
+- Window [row_number() windowspecdefinition(label#5, label#5 ASC NULLS FIRST, specifiedwindowframe(RowFrame, unboundedpreceding$(), currentrow$())) AS row_number#11], [label#5], [label#5 ASC NULLS FIRST]
   +- *(2) Sort [label#5 ASC NULLS FIRST, label#5 ASC NULLS FIRST], false, 0
      +- Exchange hashpartitioning(label#5, 200)
         +- *(1) Project [id#4, label#5]
            +- *(1) Sort [_nondeterministic#9 ASC NULLS FIRST], true, 0
               +- Exchange rangepartitioning(_nondeterministic#9 ASC NULLS FIRST, 200)
                  +- LocalTableScan [id#4, label#5, _nondeterministic#9

这是完整的工作示例（使用 Spark 2.3.0 和 Scala 2.11.12 测试）：

import org.apache.spark.SparkConf
import org.apache.spark.sql.expressions.Window
import org.apache.spark.sql.{DataFrame, Row, SparkSession}
import org.apache.spark.sql.functions.{col, row_number, udf, rand}

class StratifiedTrainTestSplitter {

  def getNumExamplesPerClass(ss: SparkSession, label: String, trainRatio: Double)(df: DataFrame): Map[Double, Long] = {
    df.groupBy(label).count().createOrReplaceTempView("labelCounts")
    val query = f"SELECT $label AS ratioLabel, count, cast(count * $trainRatio as long) AS trainExamples FROM labelCounts"
    import ss.implicits._
    ss.sql(query)
      .select("ratioLabel", "trainExamples")
      .map((r: Row) => r.getDouble(0) -> r.getLong(1))
      .collect()
      .toMap
  }

  def split(df: DataFrame, label: String, trainRatio: Double): DataFrame = {
    val w = Window.partitionBy(col(label)).orderBy(col(label))

    val rowNumPartitioner = row_number().over(w)

    val dfRowNum = df.sort(rand).select(col("*"), rowNumPartitioner as "row_number")

    dfRowNum.show()

    val observationsPerLabel: Map[Double, Long] = getNumExamplesPerClass(df.sparkSession, label, trainRatio)(df)

    val addIsTrainColumn = udf((label: Double, rowNumber: Int) => rowNumber <= observationsPerLabel(label))

    dfRowNum.withColumn("isTrainSet", addIsTrainColumn(col(label), col("row_number")))
  }


}

object StratifiedTrainTestSplitter {

  def getDf(ss: SparkSession): DataFrame = {
    val data = Seq(
      (0, 0.0), (1, 1.0), (2, 0.0), (3, 1.0), (4, 0.0), (5, 1.0), (6, 0.0), (7, 1.0), (8, 0.0), (9, 1.0)
    )
    ss.createDataFrame(data).toDF("id", "label")
  }

  def main(args: Array[String]): Unit = {
    val spark: SparkSession = SparkSession
      .builder()
      .config(new SparkConf().setMaster("local[1]"))
      .getOrCreate()

    val df = new StratifiedTrainTestSplitter().split(getDf(spark), "label", 0.8)

    df.cache()

    df.where(col("isTrainSet") === true).show()
    df.where(col("isTrainSet") === false).show()
  }
}

注意：Double在这种情况下，标签是 s。如果您的标签是Strings，您将不得不在这里和那里切换类型。

于 2018-05-22T21:13:51.080 回答
7

当 OP 发布此问题时，此方法可能不可用，但我将其留在这里以供将来参考：

# splitting dataset into train and test set
train, test = df.randomSplit([0.7, 0.3], seed=42)
于 2020-05-12T16:34:38.407 回答
4

尽管此答案并非特定于 Spark，但在 Apache Beam 中，我这样做是为了拆分 66% 的训练并测试 33%（只是一个说明性示例，您可以自定义下面的 partition_fn 以使其更复杂并接受诸如指定桶数之类的参数或偏向某事物的选择或确保随机化在各个维度上是公平的，等等）：

raw_data = p | 'Read Data' >> Read(...)

clean_data = (raw_data
              | "Clean Data" >> beam.ParDo(CleanFieldsFn())


def partition_fn(element):
    return random.randint(0, 2)

random_buckets = (clean_data | beam.Partition(partition_fn, 3))

clean_train_data = ((random_buckets[0], random_buckets[1])
                    | beam.Flatten())

clean_eval_data = random_buckets[2]
于 2017-12-12T21:07:34.607 回答