程序员的自我修养
Home » Apache Spark » Spark 1.1.0 Basic Statistics(上)

Spark 1.1.0 Basic Statistics(上)

1条评论3,514次浏览

Spark 1.1.0于2014年9月11日发布,此次的版本将mllib完善了不少,如添加了Basic Statistics、添加了决策树的Java实现等等。现对1.1.0的新功能进行一次初步探索。

Summary statistics

Summary statistics主要提供基于列的统计信息,包括6个统计量:均值、方差、非零统计量个数、总数、最小值、最大值。

测试数据

测试代码

运行结果

其它

运行结果的含义对照测试数据来看是一目了然的,值得一提的是方差的计算方式为:

\(s^2={\sum_{i=1}^n(x_i-\overline x)^2\over {n-1}}\)

记得当年教科书上也没解释为何要除以(n-1),好像是和自由度有关,有兴趣的可以自行google。

Correlations

Correlations,相关度量,目前Spark支持两种相关性系数:皮尔逊相关系数(pearson)斯皮尔曼等级相关系数(spearman)。相关系数是用以反映变量之间相关关系密切程度的统计指标。简单的来说就是相关系数绝对值越大(值越接近1或者-1)则表示数据越可进行线性拟合。如下图所示:
pearson

测试数据

同上,采用第一列和第二列来进行相关度量计算。

测试代码

运行结果

皮尔逊相关系数

计算公式

\(r={{n\sum{xy}-\sum x\sum y}\over {\sqrt{n\sum x^2-(\sum x)^2}\sqrt{n\sum y^2-(\sum y)^2}}}\)

计算示例

采用代码中所用数据

序号 x y x^2 y^2 xy
1 1 2 1 4 2
2 2 3 4 9 6
3 5 61 25 3721 305
合计 8 66 30 3734 313

\(r={{3*313-8*66}\over {\sqrt{3*30-8^2}\sqrt{3*3734-66^2}}}=0.9741743725936144\)

表明两组数据具有高度的线性正相关关系。

斯皮尔曼等级相关系数

计算公式

\(\rho=1-{6\sum d_i^2\over {n(n^2-1)}}\)

其中 \(d_i=x_i-y_i\) ,具体含义结合下面的计算过程来看。

计算示例

采用代码中所用数据

序号 x y 等级x 等级y \(d_i\) \(d_i^2\)
1 1 2 1 1 0 0
2 2 3 2 2 0 0
3 5 61 3 3 0 0

\(\rho=1-{6*\sum 0^2\over {3*(3^2-1)}}=1\)

其中等级x表示当前列的x在所有数据中的排序位置,上述中x=1最小,所以其等级x为1;x=5最大,排第三,所以其等级x为3。同理对等级y。

Stratified sampling

一个根据Key来抽样的功能,可以为每个key设置其被选中的概率。具体见代码以及注释。

测试数据

测试代码

后记

后续内容将在Spark 1.1.0 Basic Statistics(下)中记录。

参考文档

(转载本站文章请注明作者和出处 程序员的自我修养 – SelfUp.cn ,请勿用于任何商业用途)
分类:Apache Spark
标签:,
1条评论
  1. kingjiang说道:

    你好,我想问一下java要怎么使用spark mllib呢?我试了试,不太会用,希望能教我一下

发表评论


profile
  • 文章总数:79篇
  • 评论总数:249条
  • 分类总数:31个
  • 标签总数:44个
  • 运行时间:1105天

大家好,欢迎来到selfup.cn。

这不是一个只谈技术的博客,这里记录我成长的点点滴滴,coding、riding and everthing!

最新评论
  • 李雪璇: 想要完整代码,可以帮忙发给我吗
  • Anonymous: 请问一下,那个 user的推荐结果楼主查看了么? 为什么输入数据 最高是五分,输出结果都是7分8分啥的?怎么设置输出的分数的最 大值?
  • Anonymous: 那个 user的推荐结果楼主查看了么? 为什么输入数据 最高是五分,输出结果都是7分8分啥的?
  • Anonymous: stopGracefullyOnShutdown在yarn- client模式下我测试的无效,你的呢
  • Anonymous: 另外,import的lib包能否发个列表.
  • Anonymous: 部分程序已经无法使用, 另外 你的import代码 也应该放上来哈
  • wzq: 赞
  • 增达网: 受教了!呵呵!
  • Anonymous: :!: :smile: :oops: :grin: :eek: :shock:
  • 27: :razz: dsa会报错,rsa不会
  • Anonymous: 看错了 忽略我
  • Anonymous: UserSideCF这个类在哪里
  • 晴子: 在主节点初始化CM5数据库的时候报错误:Verifying that we can write to /opt/cm-5.9.0/etc/cloudera-scm -server log4j:ERROR Could not...
  • zhangnew: 就4题 :?:
  • linxh: “ 但要是遇到预先并不知道数组的长度而又需要获取正确的(或者称之 为原始的)split长度时,该如何处理呢。。? ” 印象中可以split函数参数传-1?
  • linxh: 班门弄斧一下: ssh host cmd 和直接ssh上后cmd结果不一样是因为ssh直接运行远程命令 是非交互非登录模式与ssh上去得到一个登录交互式Shell二 者加载的环境变量不一样。
  • 匿名: 其实文本分类和数字分类是一样的,只是文本分类需要多一个步骤, 就是计算它的tf-idf值将其转换为double类型
  • yurnom: 可能苹果最近又改变了返回值吧,最近没做测试了。 BadDeviceToken一般测试环境和正式环境弄错的情况 下会出现。
  • Anonymous: :razz: 博主,良心贴啊, 最近也在弄apns推送。 有个问题想请教你一下啊。 你博客中写的 Unregistered 错误,有准确的说明吗, 我看你博客中写的:...
  • 一波清泉: 回复邮箱: 1004161699@qq.com 多谢