spark结合Kmeans对数据标签化

概念：聚类算法是一种无监督学习任务，用于将对象分到具有高度相似性的聚类中．

举例：N个人有N多爱好，每个爱好提供出一个贡献值（或者称之为特征值），至于这个贡献值怎么得出目前不讨论．那么聚类算法就能实现根据这些特征值，把这N个人进行分组．

 

本人所在行业为轨道交通行业，致力于利用轴箱传感器采集到的数据进行故障诊断和预测．文中提到的数据源自真实采集数据．每行１６个浮点型数值．

具体为： 最大值，最小值，平均值，均方值，有效值，方差，偏度，峭度，峰值，方根幅值，绝对平均值，波形指标，脉冲指标，裕度指标，峭度指标．

 

数据共计24000多条，假设人为复核，一条一条去过，那么必然浪费很多时间．那么如何才能更有效率呢？

答案自然是使用Kmeans对数据进行聚类．这里使用的数据已经清洗过，数据清洗概念不知者自行脑补．

 

接下来上代码

public void digest(String path) {
		SparkConf conf = new SparkConf().setAppName("K-means Example");
		conf.setMaster("local");
		JavaSparkContext sc = new JavaSparkContext(conf);
		// Load and parse data
		JavaRDD<String> data = sc.textFile(path);
		JavaRDD<Vector> parsedData = data.map(new Function<String, Vector>() {
			private static final long serialVersionUID = 1L;
			public Vector call(String s) {
				String[] sarray = s.split(" ");
				double[] values = new double[sarray.length];
				for (int i = 0; i < sarray.length; i++)
					values[i] = Double.parseDouble(sarray[i]);
				return Vectors.dense(values);
			}
		});
		parsedData.cache();

		// Cluster the data into two classes using KMeans
		int numClusters = 2;
		int numIterations = 20;
		KMeansModel clusters = KMeans.train(parsedData.rdd(), numClusters, numIterations);
		

		// Evaluate clustering by computing Within Set Sum of Squared Errors
		double WSSSE = clusters.computeCost(parsedData.rdd());
		System.out.println("Within Set Sum of Squared Errors = " + WSSSE);

		// Save and load model
		clusters.save(sc.sc(), "TrainningModel");
		sc.close();

	}

 第一步就是要对数据进行处理，并进行训练，最后保存模型．模型保存在了TrainningModel文件夹中．此时，我们已经有了训练后保存的模型，那么就可以拿这个模型来判定数据．具体判定方法如下

public void awardFrData(String path) {
		SparkConf conf = new SparkConf().setAppName("K-means Example");
		conf.setMaster("local");
		JavaSparkContext sc = new JavaSparkContext(conf);
		KMeansModel sameModel = KMeansModel.load(sc.sc(), "TrainningModel");
		JavaRDD<String> data = sc.textFile(path);
		JavaRDD<Vector> test = data.map(new Function<String, Vector>() {
			private static final long serialVersionUID = 1L;
			public Vector call(String s) {
				String[] sarray = s.split(" ");
				double[] values = new double[sarray.length];
				for (int i = 0; i < sarray.length; i++)
					values[i] = Double.parseDouble(sarray[i]);
				return Vectors.dense(values);
			}
		});
		JavaRDD<Integer> rst = sameModel.predict(test);
		rst.repartition(1).saveAsTextFile("Result");

	}

 上面代码将数据处理成RDD后，进行预测并返回了一个RDD，代码默认保存在了Result文件夹中．

打开Result文件夹中的part-00000文件，即可看到每行一个数字的数据.0和１.

最后，我们可以通过查看0,1标签的数据百分比来进行下一步的数据分析．

 

我在进行数据分析时，尝试对数据进行三类聚类话划分．发现0标签的数据占比在99%，１和２占比在1%左右．我提供的特征数据是用来诊断轴承是否故障的基本特征数据．当聚类算法把这些数据聚类后，很明显，那个１％的数据才是最可疑的数据．因为大多数时候，轴承是正常的，所以数据体现的也是相似的．

 

为了检验聚类真实效果，我特意将三类数据中各抽出一条进行图表对比．效果如下．

 其中Row24460是０标签，Row24462是1标签，Row24515是２标签．明显看出三组数据具有很明显的特征．

 

结论，在数据没有标签化之前，如果需要对数据分析．那么第一步是清洗数据，第二部是尝试对数据进行聚类．当然聚类也是一种数据清洗．在这两万多条数据中，我已经择出去了一条峭度指标达到两万多的数据．在使用聚类分析时，它被孤零零的划分为一类．我把视为异常数据．

因为这些数据采集过程中没有报出过故障，所以没有办法对其标签化．也就没有办法进行神经网络训练．但值得欣慰的是，使用Kmeans能够得出1%的数据与众不同，这个结果还是很让人满意的．

 

我接下来的任务就是通过尝试分析这１％的数据，对比原始数据的公里标，来复核是不是因为某段铁轨轨道波磨，或者有损伤导致的振动数据异常．

 

最后附上整理后的表格文件．所有对数据分析有兴趣的可以直接拿去使用．见附件．