Вступ до набору даних MovieLens
Створення рушіїв рекомендацій у PySpark
Jamen Long
Data Scientist at Nike
Набір даних MovieLens
F. Maxwell Harper і Joseph A. Konstan. 2015
The MovieLens Datasets: History and Context.
ACM Transitions on Interactive Intelligent Systems (TiiS) 5, 4, стаття 19 (грудень 2015), 19 сторінок.
DOI=http://dx.doi.org/10.1145/2827872
Зведена статистика MovieLens
F. Maxwell Harper і Joseph A. Konstan. 2015
The MovieLens Datasets: History and Context.
ACM Transitions on Interactive Intelligent Systems (TiiS) 5, 4, стаття 19 (грудень 2015), 19 сторінок.
DOI=http://dx.doi.org/10.1145/2827872
Оцінки: 20 000 000+
Користувачі: 138 493
Фільми: 27 278
Дослідіть дані
df.show()
df.columns()
Розрідженість MovieLens
Розрідженість: чисельник
# Number of ratings in matrix
numerator = ratings.count()
Розрідженість: користувачі й фільми
# Distinct users and movies
users = ratings.select("userId").distinct().count()
movies = ratings.select("movieId").distinct().count()
Розрідженість: знаменник
# Number of ratings in matrix numerator = ratings.count() # Distinct users and movies users = ratings.select("userId").distinct().count() movies = ratings.select("movieId").distinct().count()# Number of ratings matrix could contain if no empty cells denominator = users * movies
Розрідженість
# Number of ratings in matrix
numerator = ratings.count()
# Distinct users and movies
users = ratings.select("userId").distinct().count()
movies = ratings.select("movieId").distinct().count()
# Number of ratings matrix could contain if no empty cells
denominator = users * movies
#Calculating sparsity
sparsity = 1 - (numerator*1.0 / denominator)
print ("Sparsity: "), sparsity
Sparsity: .998
Метод .distinct()
ratings.select("userId").distinct().count()
671
Метод GroupBy
# Group by userId
ratings.groupBy("userId")
Метод GroupBy
# Num of song plays by 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: мінімум
from pyspark.sql.functions import min, max, avg
# Min num of song plays by userId
msd.groupBy("userId").count()
.select(min("count")).show()
+----------+
|min(count)|
+----------+
| 1|
+----------+
GroupBy: максимум
# Max num of song plays by userId
ratings.groupBy("userId").count()
.select(max("count")).show()
+----------+
|max(count)|
+----------+
| 1162|
+----------+
GroupBy: середнє
# Avg num of song plays by userId
ratings.groupBy("userId").count()
.select(avg("count")).show()
+----------+
|avg(count)|
+----------+
| 233.34579|
+----------+
Метод Filter
# Removes users with less than 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|
+------+-----+
Давайте потренуємось!
Створення рушіїв рекомендацій у PySpark
