本文旨在介绍使用机器学习算法，来介绍Apache Spark数据处理引擎。我们一开始会先简单介绍一下Spark，然后我们将开始实践一个机器学习的例子。我们将使用Qualitative Bankruptcy数据集，来自UCI机器学习数据仓库。虽然Spark支持同时Java，Scala，Python和R，在本教程中我们将使用Scala作为编程语言。不用担心你没有使用Scala的经验。练习中的每个代码段，我们都会详细解释一遍。
APACHE SPARK
Apache Spark是一个开源的集群计算框架，用Spark编写的应用程序可以比Hadoop MapReduce范式的速度高100倍以上。Spark的一个主要的特点，基于内存，运行速度快，不仅如此，复杂应用在Spark系统上运行，也比基于磁盘的MapReduce更有效。Spark还旨在更通用，因此它提供了以下库：
- Spark SQL，处理结构化数据的模块
- MLlib，可扩展的机器学习库
- GraphX，图和图的并行计算API
- Spark Streaming，可扩展的，可容错的流式计算程序
正如已经提到的，Spark支持Java，Scala，Python和R编程语言。它还集成了其他大数据工具。特别是，Spark可以运行在Hadoop集群，可以访问任何数据源，包括Hadoop Cassandra。
Spark核心概念
在一个高的抽象层面，一个Spark的应用程序由一个驱动程序作为入口，在一个集群上运行各种并行操作。驱动程序包含了你的应用程序的main函数，然后将这些应用程序分配给集群成员执行。驱动程序通过SparkContext对象来访问计算集群。对于交互式的shell应用，SparkContext默认可通过sc变量访问。
Spark的一个非常重要的概念是RDD–弹性分布式数据集。这是一个不可改变的对象集合。每个RDD会分成多个分区，每个分区可能在不同的群集节点上参与计算。RDD可以包含任何类型的Java，Scala对象，Python或R，包括用户自定义的类。RDDS的产生有两种基本方式：通过加载外部数据集或分配对象的集合如，list或set。
在创建了RDDs之后，我们可以对RDDs做2种不同类型的操作：
- Transformations - 转换操作，从一个RDD转换成另外一个RDD
- Actions - 动作操作，通过RDD计算结果
RDDs通过lazy的方式计算 - 即当RDDs碰到Action操作时，才会开始计算。Spark的Transformations操作，都会积累成一条链，只有当需要数据的时候，才会执行这些Transformations操作。每一次RDD进行Action操作时，RDD都会重新生成。如果你希望某些中间的计算结果能被其他的Action操作复用，那么你需要调用Spark的RDD.persist()来保存中间数据。
Spark支持多种运行模式，你可以使用交互式的Shell，或者单独运行一个standalone的Spark程序。不管哪一种方式，你都会有如下的工作流：
- 输入数据，用于生成RDD
- 使用Transformations 操作转换数据集
- 让Spark保存一些中间计算结果，用于复用计算
- 使用Action操作，让Spark并行计算。Spark内部会自动优化和运行计算任务。
安装Apache Spark
为了开始使用Spark，需要先从官网下载。选择“Pre-built for Hadoop 2.4 and later”版本然后点击“Direct Download”。如果是Windows用户，建议将Spark放进名字没有空格的文件夹中。比如说，将文件解压到：C:spark。
正如上面所说的，我们将会使用Scala编程语言。进入Spark的安装路径，运行如下命令：
// Linux and Mac users bin/spark-shell // Windows users binspark shell
然后你可以在控制台中看到Scala：
scala>
QUALITATIVE 破产分类
现实生活中的问题是可以用机器学习算法来预测的。我们将试图解决的，通过一个公司的定性信息，预测该公司是否会破产。数据集可以从UCI机器学习库https://archive.ics.uci.edu/ml/datasets/qualitative_bankruptcy下载。在Spark的安装文件夹中，创建一个新的文件夹命名为playground。复制 qualitative_bankruptcy.data.txt文件到这里面。这将是我们的训练数据。
数据集包含250个实例，其中143个实例为非破产，107个破产实例。
每一个实例数据格式如下：
- 工业风险
- 管理风险
- 财务灵活性
- 信誉
- 竞争力
- 经营风险
这些被称为定性参数，因为它们不能被表示为一个数字。每一个参数可以取下以下值：
- P positive
- A average
- N negative
数据集的最后一个列是每个实例的分类：B为破产或NB非破产。
鉴于此数据集，我们必须训练一个模型，它可以用来分类新的数据实例，这是一个典型的分类问题。
解决问题的步骤如下：
- 从qualitative_bankruptcy.data.txt文件中读取数据
- 解析每一个qualitative值，并将其转换为double型数值。这是我们的分类算法所需要的
- 将数据集划分为训练和测试数据集
- 使用训练数据训练模型
- 计算测试数据的训练误差
SPARK LOGISTIC REGRESSION
我们将用Spark的逻辑回归算法训练分类模型。如果你想知道更多逻辑回归算法的原理，你可以阅读以下教程http://technobium.com/logistic-regression-using-apache-mahout。
在Spark的Scala Shell中粘贴以下import语句：
import org.apache.spark.mllib.classification.{LogisticRegressionWithLBFGS, LogisticRegressionModel}
import org.apache.spark.mllib.regression.LabeledPoint
import org.apache.spark.mllib.linalg.{Vector, Vectors}这将导入所需的库。
接下来我们将创建一个Scala函数，将数据集中的qualitative数据转换为Double型数值。键入或粘贴以下代码并回车，在Spark Scala Shell。
def getDoubleValue( input:String ) : Double = {
var result:Double = 0.0
if (input == "P") result = 3.0
if (input == "A") result = 2.0
if (input == "N") result = 1.0
if (input == "NB") result = 1.0
if (input == "B") result = 0.0
return result
}如果所有的运行都没有问题，你应该看到这样的输出：
getDoubleValue: (input: String)Double
现在，我们可以读取到qualitative_bankruptcy.data.txt文件中的数据。从Spark的角度来看，这是一个Transformation操作。在这个阶段，数据实际上不被读入内存。如前所述，这是一个lazy的方式执行。实际的读取操作是由count()引发，这是一个Action操作。
val data = sc.textFile("playground/Qualitative_Bankruptcy.data.txt")
data.count()用我们val关键字声明一个常量data。它是一个包含输入数据所有行的RDD。读操作被SC或sparkcontext上下文变量监听。count操作应返回以下结果：
res0: Long = 250
现在是时候为逻辑回归算法准备数据，将字符串转换为数值型。
val parsedData = data.map{line =
val parts = line.split(",")
LabeledPoint(getDoubleValue(parts(6)), Vectors.dense(parts.slice(0,6).map(x =getDoubleValue(x))))
}在这里，我们声明了另外一个常量，命名为parsedData。对于data变量中的每一行数据，我们将做以下操作：
- 使用“，”拆分字符串，并获得一个向量，命名为parts
- 创建并返回一个LabeledPoint对象。每个LabeledPoint包含标签和值的向量。在我们的训练数据，标签或类别（破产或非破产）放在最后一列，数组下标0到6。这是我们使用的parts(6)。在保存标签之前，我们将用getDoubleValue()函数将字符串转换为Double型。其余的值也被转换为Double型数值，并保存在一个名为稠密矢量的数据结构。这也是Spark的逻辑回归算法所需要的数据结构。
Spark支持map()转换操作，Action动作执行时，第一个执行的就是map()。
我们来看看我们准备好的数据，使用take():
parsedData.take(10)
上面的代码，告诉Spark从parsedData数组中取出10个样本，并打印到控制台。一样的，take()操作之前，会先执行map()。输出结果如下：
res5: Array[org.apache.spark.mllib.regression.LabeledPoint] = Array((1.0,[3.0,3.0,2.0,2.0,2.0,3.0]), (1.0,[1.0,1.0,2.0,2.0,2.0,1.0]), (1.0,[2.0,2.0,2.0,2.0,2.0,2.0]), (1.0,[3.0,3.0,3.0,3.0,3.0,3.0]), (1.0,[1.0,1.0,3.0,3.0,3.0,1.0]), (1.0,[2.0,2.0,3.0,3.0,3.0,2.0]), (1.0,[3.0,3.0,2.0,3.0,3.0,3.0]), (1.0,[3.0,3.0,3.0,2.0,2.0,3.0]), (1.0,[3.0,3.0,2.0,3.0,2.0,3.0]), (1.0,[3.0,3.0,2.0,2.0,3.0,3.0]))
接着我们划分一下训练数据和测试数据，将parsedData的60%分为训练数据，40%分为测试数据。
val splits = parsedData.randomSplit(Array(0.6, 0.4), seed = 11L) val trainingData = splits(0) val testData = splits(1)
训练数据和测试数据也可以像上面一样，使用take()者count()查看。
激动人心的时刻，我们现在开始使用Spark的LogisticRegressioinWithLBFGS()来训练模型。设置好分类个数，这里是2个（破产和非破产）：
val model = new LogisticRegressionWithLBFGS().setNumClasses(2).run(trainingData)
当模型训练完，我们可以使用testData来检验一下模型的出错率。
val labelAndPreds = testData.map { point =
val prediction = model.predict(point.features)
(point.label, prediction)
}
val trainErr = labelAndPreds.filter(r = r._1 != r._2).count.toDouble / testData.count变量labelAndPreds保存了map()转换操作，map()将每一个行转换成二元组。二元组包含了testData的标签数据(point.label，分类数据)和预测出来的分类数据(prediction)。模型使用point.features作为输入数据。
最后一行代码，我们使用filter()转换操作和count()动作操作来计算模型出错率。filter()中，保留预测分类和所属分类不一致的元组。在Scala中_1和_2可以用来访问元组的第一个元素和第二个元素。最后用预测出错的数量除以testData训练集的数量，我们可以得到模型出错率：
trainErr: Double = 0.20430107526881722
总结
在这个教程中，你已经看到了Apache Spark可以用于机器学习的任务，如logistic regression。虽然这只是非分布式的单机环境的Scala shell demo，但是Spark的真正强大在于分布式下的内存并行处理能力。
在大数据领域，Spark是目前最活跃的开源项目，在过去几年已迅速获得关注和发展。在过去的几年里。采访了超过2100受访者，各种各样的使用情况和环境。
[参考资料]
“Learning Spark” by HoldenKarau, Andy Konwinski, Patrick Wendell and Matei Zaharia, O’Reilly Media 2015
Lichman, M. (2013). UCI Machine Learning Repository [http://archive.ics.uci.edu/ml]. Irvine, CA: University of California, School of Information and Computer Science
https://spark.apache.org/docs/latest/mllib-linear-methods.html#logistic-regression
https://spark.apache.org/docs/1.1.0/mllib-data-types.html
https://archive.ics.uci.edu/ml/datasets/Qualitative_Bankruptcy
https://databricks.com/blog/2015/01/27/big-data-projects-are-hungry-for-simpler-and-more-powerful-tools-survey-validates-apache-spark-is-gaining-developer-traction.html
原文来自：LOGISTIC REGRESSION USING APACHE SPARK（译者/施聪羽 审校/朱正贵 责编/仲浩）
关于译者： 施聪羽，浩渺科技服务端研发工程师，修炼中的码农。
【预告】首届中国人工智能大会（CCAI 2015）将于7月26-27日在北京友谊宾馆召开。机器学习与模式识别、大数据的机遇与挑战、人工智能与认知科学、智能机器人四个主题专家云集。人工智能产品库将同步上线，预约咨询：QQ：1192936057。欢迎关注。