♚
作者：KingShine，现居北京，程序猿一枚。主要方向为数据分析、自然语言处理，大数据。希望结交到志同道合的朋友，共同进步。
一、数据准备
本文主要是作为一个PySpark的入手实例来做，数据来源网络。主要用到两个数据文件： action.txt， document.txt。下表为 action.txt，数据格式： userid~docid~behaivor~time~ip，即：用户编码文档编码行为日期IP地址
下表为 document.txt，数据格式： docid~channelname~source~keyword:score，即：文档编码~类别（大类）~主题（细类）~关键词：权重
二、用户点击率
用户点击率即为 action.txt文件中每个用户behaivor列中1的数量除以0的数量。
1、创建 SparkSession对象
2、读取数据，将数据根据‘~’拆分，获取 userid和 behavior两列
click_rate1数据如下：
3、统计用户的各类行为数
click_rate2数据如下：
4、将 userid, behavior和数量取出作为3列，并转为DataFrame格式
click_rate3_df数据如下：
5、根据 userId进行分组，将 behavior列数据进行旋转作为列标数值为 cnt。并将 behavior的0和1替换为 “browse”和 ”click”。
click_rate5数据如下：
6、填充缺失值
click_rate6数据如下：
7、将计算的数据作为新列添加到数据
click_rate数据如下：
8、将最后处理的数据保存到本地，关闭SparkSession
最后保存到本地的数据为多个文件，每个文件的格式如下：
三、用户标签
使用主题（细类）给用户打标签
1、读取 docunment.txt，获取 docid、 source两列，即文档编码和主题（细类）两列
sources_df数据如下：
2、读取 action.txt，只获取具有点击行为的 userid和 docid数据，即 behavior为1的数据。
actions_df数据如下：
3、创建两个DataFrame的临时视图
4、进行关联查询
interestTags数据如下：
5、将最后处理的数据保存到本地，关闭SparkSession
导出后的数据如下：
踩雷点：
1、代码开发时，可以每个操作跟一个action，方便查看数据，跑批的时候不需要每个都跟，只需要最后一个action，否则会给机器增加很多工作量。 2、中间过程生成的DataFrame必须先建立临时视图，后面才能使用，否则会报错。
赞 赏 作 者
Python中文社区作为一个去中心化的全球技术社区，以成为全球20万Python中文开发者的精神部落为愿景，目前覆盖各大主流媒体和协作平台，与阿里、腾讯、百度、微软、亚马逊、开源中国、CSDN等业界知名公司和技术社区建立了广泛的联系，拥有来自十多个国家和地区数万名登记会员，会员来自以工信部、清华大学、北京大学、北京邮电大学、中国人民银行、中科院、中金、华为、BAT、谷歌、微软等为代表的政府机关、科研单位、金融机构以及海内外知名公司，全平台近20万开发者关注。
▼ 点击成为 社区注册会员 「在看」 一下，一起PY