Introductie tot de MovieLens-gegevensset
Aanbevelingssystemen bouwen met PySpark
Jamen Long
Data Scientist at Nike
MovieLens-gegevensset
F. Maxwell Harper en Joseph A. Konstan. 2015
The MovieLens Datasets: History and Context.
ACM Transitions on Interactive Intelligent Systems (TiiS) 5, 4, Artikel 19 (december 2015), 19 pagina's.
DOI=http://dx.doi.org/10.1145/2827872
MovieLens samenvatting statistieken
F. Maxwell Harper en Joseph A. Konstan. 2015
The MovieLens Datasets: History and Context.
ACM Transitions on Interactive Intelligent Systems (TiiS) 5, 4, Artikel 19 (december 2015), 19 pagina's.
DOI=http://dx.doi.org/10.1145/2827872
Beoordelingen: 20.000.000+
Gebruikers: 138.493
Films: 27.278
Verken de data
df.show()
df.columns()
MovieLens-sparsity
Sparsity: teller
# Aantal ratings in de matrix
numerator = ratings.count()
Sparsity: gebruikers en films
# Unieke gebruikers en films
users = ratings.select("userId").distinct().count()
movies = ratings.select("movieId").distinct().count()
Sparsity: noemer
# Aantal ratings in de matrix numerator = ratings.count() # Unieke gebruikers en films users = ratings.select("userId").distinct().count() movies = ratings.select("movieId").distinct().count()# Aantal ratings dat de matrix kan bevatten als er geen lege cellen zijn denominator = users * movies
Sparsity
# Aantal ratings in de matrix
numerator = ratings.count()
# Unieke gebruikers en films
users = ratings.select("userId").distinct().count()
movies = ratings.select("movieId").distinct().count()
# Aantal ratings dat de matrix kan bevatten als er geen lege cellen zijn
denominator = users * movies
# Sparsity berekenen
sparsity = 1 - (numerator*1.0 / denominator)
print ("Sparsity: "), sparsity
Sparsity: .998
De .distinct()-methode
ratings.select("userId").distinct().count()
671
GroupBy-methode
# Groepeer op userId
ratings.groupBy("userId")
GroupBy-methode
# Aantal afspelingen per userId
ratings.groupBy("userId").count().show()
+------+-----+
|userId|count|
+------+-----+
| 148| 76|
| 243| 12|
| 31| 232|
| 137| 16|
| 251| 19|
| 85| 752|
| 65| 737|
| 255| 9|
| 53| 190|
| 133| 302|
| 296| 74|
| 78| 301|
| 108| 136|
| 155| 3|
| 193| 174|
| 101| 1|
+------+-----+
GroupBy-methode min
from pyspark.sql.functions import min, max, avg
# Min. aantal afspelingen per userId
msd.groupBy("userId").count()
.select(min("count")).show()
+----------+
|min(count)|
+----------+
| 1|
+----------+
GroupBy-methode max
# Max. aantal afspelingen per userId
ratings.groupBy("userId").count()
.select(max("count")).show()
+----------+
|max(count)|
+----------+
| 1162|
+----------+
GroupBy-methode avg
# Gem. aantal afspelingen per userId
ratings.groupBy("userId").count()
.select(avg("count")).show()
+----------+
|avg(count)|
+----------+
| 233.34579|
+----------+
Filter-methode
# Verwijdert gebruikers met minder dan 20 ratings
ratings.groupBy("userId").count().filter(col("count") >= 20).show()
+------+-----+
|userId|count|
+------+-----+
| 148| 76|
| 31| 232|
| 85| 752|
| 65| 737|
| 53| 190|
| 133| 302|
| 296| 74|
| 78| 301|
| 108| 136|
| 193| 174|
+------+-----+
Laten we oefenen!
Aanbevelingssystemen bouwen met PySpark
