【SparkML系列1】相关性、卡方检验和概述器实现

2024-02-01 08:28

本文主要是介绍【SparkML系列1】相关性、卡方检验和概述器实现,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

Correlation(相关性)

计算两组数据之间的相关性在统计学中是一种常见的操作。在spark.ml中,我们提供了计算多组数据之间成对相关性的灵活性。目前支持的相关性方法是皮尔逊(Pearson)相关系数和斯皮尔曼(Spearman)相关系数。

相关性计算使用指定的方法为输入的向量数据集计算相关性矩阵。输出将是一个数据框,其中包含向量列的相关性矩阵。


import org.apache.spark.ml.linalg.{Matrix, Vectors}
import org.apache.spark.ml.stat.Correlation
import org.apache.spark.sql.{Row, SparkSession}/*** @description 相关性测试* @date 2024/1/31 14:32* @author by fangwen1*/
object CorrelationExample {def main(args: Array[String]): Unit = {val spark = SparkSession.builder.master("local[*]").appName("CorrelationExample").getOrCreate()import spark.implicits._val data = Seq(// 创建稀疏向量Vectors.sparse(4, Seq((0, 1.0), (3, -2.0))),// 创建密集向量Vectors.dense(4.0, 5.0, 0.0, 3.0),Vectors.dense(6.0, 7.0, 0.0, 8.0),Vectors.sparse(4, Seq((0, 9.0), (3, 1.0))))val df = data.map(Tuple1.apply).toDF("features")val Row(coeff1: Matrix) = Correlation.corr(df, "features").headprintln(s"Person correlation matrix:\n $coeff1")val Row(coeff2: Matrix) = Correlation.corr(df, "features", "spearman").headprintln(s"Spearman correlation matrix:\n $coeff2")}
}

假设检验

假设检验是统计学中一种强有力的工具,用于确定一个结果是否具有统计学意义,即这个结果是偶然发生的还是有一定的必然性。Spark ML目前支持用于独立性检验的皮尔逊卡方(χ²)检验。

卡方检验

卡方检验对每个特征与标签之间是否独立进行皮尔逊独立性检验。对于每个特征,将(特征,标签)对转换成列联表,然后计算卡方统计量。所有的标签和特征值必须是分类的。

Refer to the ChiSquareTest Scala docs for details on the API.


import org.apache.spark.ml.linalg.{Vector, Vectors}
import org.apache.spark.ml.stat.ChiSquareTest
import org.apache.spark.sql.SparkSession/*** @description 卡方校验* @date 2024/1/31 14:57* @author by fangwen1*/
object ChiSquareTestExample {def main(args: Array[String]): Unit = {val spark = SparkSession.builder.master("local[*]").appName("CorrelationExample").getOrCreate()import spark.implicits._val data = Seq((0.0, Vectors.dense(0.5, 10.0)),(0.0, Vectors.dense(1.5, 20.0)),(1.0, Vectors.dense(1.5, 30.0)),(0.0, Vectors.dense(3.5, 30.0)),(0.0, Vectors.dense(3.5, 40.0)),(1.0, Vectors.dense(3.5, 40.0)))val df = data.toDF("label", "features")val chiDf = ChiSquareTest.test(df, "features", "label")chiDf.printSchema()val chi = chiDf.head()println(s"pValues = ${chi.getAs[Vector](0)}")println(s"degreesOfFreedom = ${chi.getSeq[Int](1).mkString("[",",","]")}")println(s"statistics = ${chi.getAs[Vector](2)}")}
}

Summarizer(概述器)

我们通过概述器为数据帧提供向量列的汇总统计信息。可用的指标包括列最大值、最小值、平均值、总和、方差、标准差以及非零元素的数量,还有总计数。


import org.apache.spark.ml.linalg.{Vector, Vectors}
import org.apache.spark.ml.stat.Summarizer.{mean, metrics, variance}
import org.apache.spark.sql.SparkSession/*** @description 概述器* @date 2024/1/31 15:09* @author by fangwen1*/
object SummarizerExample {def main(args: Array[String]): Unit = {val spark = SparkSession.builder.master("local[*]").appName("SummarizerExample").getOrCreate()import spark.implicits._val data = Seq((Vectors.dense(2.0, 3.0, 5.0), 1.0),(Vectors.dense(4.0, 6.0, 7.0), 2.0))val df = data.toDF("features", "weight")//mean: 用于计算向量列的均值。//metrics: 允许用户指定需要计算的多个统计量,例如均值、方差、总和等。//variance: 用于计算向量列的方差。val (meanVal, varianceVal) = df.select(metrics("mean", "variance").summary($"features", $"weight").as("summary")).select("summary.mean", "summary.variance").as[(Vector, Vector)].first()println(s"with weight: mean = ${meanVal}, variance = ${varianceVal}")val (meanVal2, varianceVal2) = df.select(mean($"features"), variance($"features")).as[(Vector, Vector)].first()println(s"without weight: mean = ${meanVal2}, sum = ${varianceVal2}")}
}

这篇关于【SparkML系列1】相关性、卡方检验和概述器实现的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/666667

相关文章

SpringBoot3实现Gzip压缩优化的技术指南

《SpringBoot3实现Gzip压缩优化的技术指南》随着Web应用的用户量和数据量增加,网络带宽和页面加载速度逐渐成为瓶颈,为了减少数据传输量,提高用户体验,我们可以使用Gzip压缩HTTP响应,... 目录1、简述2、配置2.1 添加依赖2.2 配置 Gzip 压缩3、服务端应用4、前端应用4.1 N

SpringBoot实现数据库读写分离的3种方法小结

《SpringBoot实现数据库读写分离的3种方法小结》为了提高系统的读写性能和可用性,读写分离是一种经典的数据库架构模式,在SpringBoot应用中,有多种方式可以实现数据库读写分离,本文将介绍三... 目录一、数据库读写分离概述二、方案一:基于AbstractRoutingDataSource实现动态

Python FastAPI+Celery+RabbitMQ实现分布式图片水印处理系统

《PythonFastAPI+Celery+RabbitMQ实现分布式图片水印处理系统》这篇文章主要为大家详细介绍了PythonFastAPI如何结合Celery以及RabbitMQ实现简单的分布式... 实现思路FastAPI 服务器Celery 任务队列RabbitMQ 作为消息代理定时任务处理完整

Java枚举类实现Key-Value映射的多种实现方式

《Java枚举类实现Key-Value映射的多种实现方式》在Java开发中,枚举(Enum)是一种特殊的类,本文将详细介绍Java枚举类实现key-value映射的多种方式,有需要的小伙伴可以根据需要... 目录前言一、基础实现方式1.1 为枚举添加属性和构造方法二、http://www.cppcns.co

使用Python实现快速搭建本地HTTP服务器

《使用Python实现快速搭建本地HTTP服务器》:本文主要介绍如何使用Python快速搭建本地HTTP服务器,轻松实现一键HTTP文件共享,同时结合二维码技术,让访问更简单,感兴趣的小伙伴可以了... 目录1. 概述2. 快速搭建 HTTP 文件共享服务2.1 核心思路2.2 代码实现2.3 代码解读3.

MySQL双主搭建+keepalived高可用的实现

《MySQL双主搭建+keepalived高可用的实现》本文主要介绍了MySQL双主搭建+keepalived高可用的实现,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,... 目录一、测试环境准备二、主从搭建1.创建复制用户2.创建复制关系3.开启复制,确认复制是否成功4.同

Java实现文件图片的预览和下载功能

《Java实现文件图片的预览和下载功能》这篇文章主要为大家详细介绍了如何使用Java实现文件图片的预览和下载功能,文中的示例代码讲解详细,感兴趣的小伙伴可以跟随小编一起学习一下... Java实现文件(图片)的预览和下载 @ApiOperation("访问文件") @GetMapping("

使用Sentinel自定义返回和实现区分来源方式

《使用Sentinel自定义返回和实现区分来源方式》:本文主要介绍使用Sentinel自定义返回和实现区分来源方式,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教... 目录Sentinel自定义返回和实现区分来源1. 自定义错误返回2. 实现区分来源总结Sentinel自定

Java实现时间与字符串互相转换详解

《Java实现时间与字符串互相转换详解》这篇文章主要为大家详细介绍了Java中实现时间与字符串互相转换的相关方法,文中的示例代码讲解详细,感兴趣的小伙伴可以跟随小编一起学习一下... 目录一、日期格式化为字符串(一)使用预定义格式(二)自定义格式二、字符串解析为日期(一)解析ISO格式字符串(二)解析自定义

opencv图像处理之指纹验证的实现

《opencv图像处理之指纹验证的实现》本文主要介绍了opencv图像处理之指纹验证的实现,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友们下面随着小编来一起学... 目录一、简介二、具体案例实现1. 图像显示函数2. 指纹验证函数3. 主函数4、运行结果三、总结一、