-
Notifications
You must be signed in to change notification settings - Fork 3
/
relation_logit.py
148 lines (115 loc) · 6.49 KB
/
relation_logit.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
from pyspark import SparkContext
from pyspark.sql import SQLContext
from pyspark.mllib.classification import LogisticRegressionWithSGD
from pyspark.mllib.regression import LabeledPoint
from numpy import array
######################################################
topicsNumber=9
mainPath = "file:////home/cloudera/BigDataCourseProject/baby/";
intermediatePath = mainPath+"intermediate/";
undirected_relation_json_file = intermediatePath + "undirected_relation_json.json";
directed_relation_json_file = intermediatePath + "directed_relation_json.json";
def parsePoint(point):
point_dict=point.asDict()
values = [float(point_dict.get("f_"+str(x),0)) for x in range(topicsNumber)]
label = float(point_dict.get('relation',0))
return LabeledPoint(label,values)
def parseDirectedPoint(point):
point_dict=point.asDict()
# 2 ids, topic features, 2 -> price, brand, label
values = [float(point_dict.get("f_"+str(x),0)) for x in range(topicsNumber)]
values.extend([float(point_dict.get("brand",0)),float(point_dict.get('price',0))])
label = float(point_dict.get('relation',0))
return LabeledPoint(label,values)
def getIds(point):
point_dict=point.asDict()
return (point_dict.get("asin_1",''),point_dict.get("asin_2",''))
######################################################
sc = SparkContext(appName="Relation Logistic Regression")
sc.setLogLevel("ERROR")
sqlContext = SQLContext(sc)
### Prepare Undirected Data
undirected_relation_df = sqlContext.read.load(undirected_relation_json_file, format="json")
#.limit(100)
undirectedParsedData = undirected_relation_df.map(lambda point: parsePoint(point))
print("@@@@@@@@@@@@@@@@@@@@@ 0 @@@@@@@@@@@@@@@@@@@@@@")
print("undirectedParsedData == "+str(undirectedParsedData.take(10)))
print("@@@@@@@@@@@@@@@@@@@@@ END0 @@@@@@@@@@@@@@@@@@@@@@")
### Build ModeL undirected
undirectedModel = LogisticRegressionWithSGD.train(undirectedParsedData)
undirectedModel.clearThreshold()
undirectedModel.save(sc,mainPath+"undireced_relation_model")
undirectedLabelsAndPreds = undirectedParsedData.map(lambda point: (point.label,float(undirectedModel.predict(point.features))))
undirectedLabelsAndPredsIndexed = undirectedLabelsAndPreds.zipWithIndex().map(lambda (x,y): (y,x));
print("@@@@@@@@@@@@@@@@@@@@@ 0 @@@@@@@@@@@@@@@@@@@@@@")
print("undirectedLabelsAndPredsIndexed == "+str(undirectedLabelsAndPredsIndexed.take(10)))
print("@@@@@@@@@@@@@@@@@@@@@ END0 @@@@@@@@@@@@@@@@@@@@@@")
######################################################
#join with productsIds
productsIds = undirected_relation_df.map(lambda point: getIds(point))
productsIdsIndexed = productsIds.zipWithIndex().map(lambda (x,y): (y,x));
print("@@@@@@@@@@@@@@@@@@@@@ 3 @@@@@@@@@@@@@@@@@@@@@@")
print("productsIds == "+str(productsIds.take(10)))
print("@@@@@@@@@@@@@@@@@@@@@ END3 @@@@@@@@@@@@@@@@@@@@@@")
productsIds_undirectedLabelsAndPredsIndexed = productsIdsIndexed.join(undirectedLabelsAndPredsIndexed)
productsIdsIndexed.unpersist()
undirectedLabelsAndPredsIndexed.unpersist()
undirectedLabelsAndPreds.unpersist()
######################################################
### Prepare Directed Data
directed_relation_df = sqlContext.read.load(directed_relation_json_file, format="json")
#.limit(100)
directedParsedData = directed_relation_df.map(lambda point: parseDirectedPoint(point))
print("@@@@@@@@@@@@@@@@@@@@@ 0 @@@@@@@@@@@@@@@@@@@@@@")
print("directedParsedData == "+str(directedParsedData.take(10)))
print("@@@@@@@@@@@@@@@@@@@@@ END0 @@@@@@@@@@@@@@@@@@@@@@")
######################################################
### Build ModeL directed
directedModel = LogisticRegressionWithSGD.train(directedParsedData)
directedModel.clearThreshold()
directedModel.save(sc,mainPath+"direced_relation_model")
directedLabelsAndPreds = directedParsedData.map(lambda point: (point.label,float(directedModel.predict(point.features))))
directedLabelsAndPredsIndexed = directedLabelsAndPreds.zipWithIndex().map(lambda (x,y): (y,x));
print("@@@@@@@@@@@@@@@@@@@@@ 0 @@@@@@@@@@@@@@@@@@@@@@")
print("directedLabelsAndPredsIndexed == "+str(directedLabelsAndPredsIndexed.take(10)))
print("@@@@@@@@@@@@@@@@@@@@@ END0 @@@@@@@@@@@@@@@@@@@@@@")
graphRelationData = productsIds_undirectedLabelsAndPredsIndexed.join(directedLabelsAndPredsIndexed)
productsIds_undirectedLabelsAndPredsIndexed.unpersist();
directedLabelsAndPredsIndexed.unpersist();
directedLabelsAndPreds.unpersist();
######################################################
### Prepare Data for Graph
print("@@@@@@@@@@@@@@@@@@@@@ 4 @@@@@@@@@@@@@@@@@@@@@@")
print(graphRelationData.take(10))
#(idx, (((id1, id2), (lbl1, prd1)), (lbl2, prd2)))
print("@@@@@@@@@@@@@@@@@@@@@@ END4 @@@@@@@@@@@@@@@@@@@@@")
#graphRelationData = graphRelationData.map(lambda (((id1, id2), (lbl1, prd1)), (lbl2, prd2)):(id1,id2,float(prd1)*(1-float(prd1))*float(prd2)*(1-float(prd2))))
# ==> (id1,id2,pred,lbl)
graphRelationData = graphRelationData.map(lambda (idx, (((id1, id2), (lbl1, prd1)), (lbl2, prd2))):(id1,id2,float(prd1)*float(prd2),lbl1))
print("@@@@@@@@@@@@@@@@@@@@@ 1 @@@@@@@@@@@@@@@@@@@@@@")
for i in graphRelationData.filter(lambda (id1,id2,pred,lbl): 0 == lbl ).take(20):
print(i)
## (idx, (((id1, id2), (lbl1, prd1)), (lbl2, prd2)))
print("@@@@@@@@@@@@@@@@@@@@@@ END1 @@@@@@@@@@@@@@@@@@@@@")
######################################################
### Calculate Model Accuracy
trainThreshold = 0.2
testing= graphRelationData.map(lambda (id1,id2,pred,lbl): (id1,id2,pred,lbl,(1 if float(pred)>float(trainThreshold) else 0) == lbl) )
print("@@@@@@@@@@@@@@@@@@@@@ 1 @@@@@@@@@@@@@@@@@@@@@@")
for i in testing.take(100):
print(i)
## (idx, (((id1, id2), (lbl1, prd1)), (lbl2, prd2)))
print("@@@@@@@@@@@@@@@@@@@@@@ END1 @@@@@@@@@@@@@@@@@@@@@")
trainErr = testing.filter(lambda (id1,id2,pred,lbl,success): not success).count()
trainErr = float(trainErr) / float(graphRelationData.count())
print("@@@@@@@@@@@@@@@@@@@@@ 5 @@@@@@@@@@@@@@@@@@@@@@")
print("Training Error = " + str(trainErr*100)+"%")
print("@@@@@@@@@@@@@@@@@@@@@@ END5 @@@@@@@@@@@@@@@@@@@@@")
######################################################
### Write Graph Data on Hadoop
graphRelationData.filter(lambda (id1,id2,pred,lbl): float(pred)>float(trainThreshold) ).map(lambda (id1,id2,pred,lbl):(id1,id2,pred)).saveAsTextFile(intermediatePath+"graph_relation")
print("@@@@@@@@@@@@@@@@@@@@@ 6 @@@@@@@@@@@@@@@@@@@@@@")
print(graphRelationData.take(5))
print("@@@@@@@@@@@@@@@@@@@@@@ END6 @@@@@@@@@@@@@@@@@@@@@")
######################################################
sc.stop()