前言
在对数据进行了初步探索后，想必读者对MovieLens数据集有了感性认识。而在数据挖掘/推荐引擎运行前，往往需要对数据预处理。预处理的重要性不言而喻，甚至比数据挖掘/推荐系统本身还重要。
然而完整的数据预处理工作会涉及到：缺失值，异常值，口径统一，去重，特征提取等等等等，可以单写一本书了，本文无法一一介绍。
本文仅就特征提取这一话题进行粗略讨论并展示。
类别特征提取
在很多场景下，数据集的很多特征是类型变量，比如MovieLens里面的职业类型。这样的变量无法作为很多算法的输入，因为这类变量无法作用于样本间距离的计算。
可参考的方法是 1 of k 编码，就是将某种类型的特征打平，将其转化为具有n列的向量。具体的做法是先为特征列创建字典，然后将各具体特征值映射到 1 of k 编码。
下面以MoveiLens中的职业类型特征为例，演示特征值为programmer的特征提取：
1 # 载入数据集 2 user_data = sc.textFile("/home/kylin/ml-100k/u.user") 3 # 以' | '切分每列，返回新的用户RDD 4 user_fields = user_data.map(lambda line: line.split("|")) 5 # 获取职业RDD并落地 6 all_occupations = user_fields.map(lambda fields: fields[3]).distinct().collect() 7 # 对各职业进行排序 8 all_occupations.sort() 9 10 # 构建字典11 idx = 012 all_occupations_dict = {}13 for o in all_occupations:14 all_occupations_dict[o] = idx15 idx +=116 17 # 生成并打印职业为程序员(programmer)的1 of k编码18 K = len(all_occupations_dict)19 binary_x = np.zeros(K)20 k_programmer = all_occupations_dict['programmer']21 binary_x[k_programmer] = 122 print "程序员的1 of k编码为: %s" % binary_x 结果为：
派生特征提取
并非所有的特征均可直接拿来学习。比如电影发行日期特征，它显然无法拿来进行学习。但正如上一节所做的一个工作，将它转化为电影年龄，这就可以在很多场景下进行学习了。
再比如时间戳属性，可参考将他们转为为：早/中/晚这样的分类变量：
1 # 载入数据集 2 rating_data_raw = sc.textFile("/home/kylin/ml-100k/u.data") 3 # 获取评分RDD 4 rating_data = rating_data_raw.map(lambda line: line.split("\t")) 5 ratings = rating_data.map(lambda fields: int(fields[2])) 6 7 # 函数: 将时间戳格式转换为datetime格式 8 def extract_datetime(ts): 9 import datetime10 return datetime.datetime.fromtimestamp(ts)11 12 # 获取小时RDD13 timestamps = rating_data.map(lambda fields: int(fields[3]))14 hour_of_day = timestamps.map(lambda ts: extract_datetime(ts).hour)15 16 # 函数: 将小时映射为分类变量并展示17 def assign_tod(hr):18 times_of_day = {19 'morning' : range(7, 12),20 'lunch' : range(12, 14),21 'afternoon' : range(14, 18),22 'evening' : range(18, 23),23 'night' : range(23, 7)24 }25 for k, v in times_of_day.iteritems():26 if hr in v: 27 return k28 29 # 获取新的分类变量RDD30 time_of_day = hour_of_day.map(lambda hr: assign_tod(hr))31 time_of_day.take(5) 结果为：
若要使用这个特征，大部分机器学习算法可以考虑将其1 of k编码。部分支持分类型变量的算法除外。
PS：有两个None是因为代码中night:range(23,7)这么写是不对的。算了不纠结，意思懂就好 :)
文本特征提取
关于文本特征提取方法有很多，本文仅介绍一个简单而又经典的提取方法 - 词袋法。
其基本步骤如下：1. 分词 - 将文本分割为由词组成的集合。可根据空格符，标点进行分割；
2. 删除停用词 - the and 这类词无学习的价值意义，删除之；3. 提取词干 - 将各个词转化为其基本形式，如men -> man；4. 向量化 - 从根本上来说和1 of k相同。不过由于词往往很多，所以稀疏矩阵技术很重要；下面将MovieLens数据集中的影片标题进行特征提取：
1 # 载入数据集 2 movie_data = sc.textFile("/home/kylin/ml-100k/u.item") 3 # 以' | '切分每列，返回影片RDD 4 movie_fields = movie_data.map(lambda lines: lines.split("|")) 5 6 # 函数: 剔除掉标题中的(年份)部分 7 def extract_title(raw): 8 import re 9 grps = re.search("\((\w+)\)", raw)10 if grps:11 return raw[:grps.start()].strip()12 else:13 return raw14 15 # 获取影片名RDD16 raw_titles = movie_fields.map(lambda fields: fields[1])17 18 # 剔除影片名中的(年份)19 movie_titles = raw_titles.map(lambda m: extract_title(m))20 21 # 由于仅仅是个展示的例子，简简单单用空格分割22 title_terms = movie_titles.map(lambda t: t.split(" "))23 24 # 搜集所有的词25 all_terms = title_terms.flatMap(lambda x: x).distinct().collect()26 # 创建字典27 idx = 028 all_terms_dict = {}29 for term in all_terms:30 all_terms_dict[term] = idx31 idx +=132 num_terms = len(all_terms_dict)33 34 # 函数: 采用稀疏向量格式保存编码后的特征并返回35 def create_vector(terms, term_dict):36 from scipy import sparse as sp37 x = sp.csc_matrix((1, num_terms))38 for t in terms:39 if t in term_dict:40 idx = term_dict[t]41 x[0, idx] = 142 return x43 44 # 将字典保存为广播数据格式类型。因为各个worker都要用45 all_terms_bcast = sc.broadcast(all_terms_dict)46 # 采用稀疏矩阵格式保存影片名特征47 term_vectors = title_terms.map(lambda terms: create_vector(terms, all_terms_bcast.value))48 # 展示提取结果49 term_vectors.take(5) 其中，字典的创建过程也可以使用Spark提供的便捷函数zipWithIndex，这个函数可以将原RDD中的值作为主键，而新的值为主键在原RDD中的位置：
1 all_terms_dict2 = title_terms.flatMap(lambda x: x).distinct().zipWithIndex().collectAsMap()
collectAsMap则是将结果落地为Python的dict格式。
结果为：
归一化特征
归一化最经典的做法就是所有特征值-最小值/特征区间。但对于一般特征的归一化网上很多介绍，请读者自行学习。本文仅对特征向量的归一化做介绍。
一般来说，我们是先计算向量的二阶范数，然后让向量的所有元素去除以这个范数。
下面演示对某随机向量进行归一化：
1 # 设置随机数种子 2 np.random.seed(42) 3 # 生成随机向量 4 x = np.random.randn(10) 5 # 产生二阶范数 6 norm_x_2 = np.linalg.norm(x) 7 # 归一化 8 normalized_x = x / norm_x_2 9 10 # 结果展示11 print "向量x:\n%s" % x12 print "向量x的2阶范数: %2.4f" % norm_x_213 print "归一化后的向量x:\n%s" % normalized_x14 print "归一化后向量x的2阶范数:\n%2.4f" % np.linalg.norm(normalized_x)
结果为：
Spark的MLlib库提供了专门的正则化函数，它们执行起来的效率显然远远高于我们自己写的：
1 # 导入Spark库中的正则化类 2 from pyspark.mllib.feature import Normalizer 3 # 初始化正则化对象 4 normalizer = Normalizer() 5 # 创建测试向量(RDD) 6 vector = sc.parallelize([x]) 7 # 对向量进行归一化并返回结果 8 normalized_x_mllib = normalizer.transform(vector).first().toArray() 9 10 # 结果展示11 print "向量x:\n%s" % x12 print "向量x的二阶范数: %2.4f" % norm_x_213 print "被MLlib归一化后的向量x:\n%s" % normalized_x_mllib14 print "被MLlib归一化后的向量x的二阶范数: %2.4f" % np.linalg.norm(normalized_x_mllib)
结果请读者自行对比。