很多初学的朋友对大数据挖掘第一直观的印象，都只是业务模型，以及组成模型背后的各种算法原理。往往忽视了整个业务场景建模过程中，看似最普通，却又最精髓的特征数据清洗。可谓是平平无奇，却又一掌定乾坤，稍有闪失，足以功亏一篑。
而这一切要做的事，都离不开数据清洗，业内话来说，也就是ETL处理（抽取Extract、转换Transform、加载Load），三大法宝。
来自于百度百科
在大数据圈里和圈外，很多朋友都整理过数据，我们这里称为清洗数据。
不管你是叱咤风云的Excel大牛，还是玩转SQL的数据库的能人，甚至是专注HQL开发ETL工程师，以及用MapReduce\Scala语言处理复杂数据的程序猿。（也许你就是小白一个）
我想说的是，解决问题的技术有高低，但是解决问题的初衷只有一个——把杂乱的数据清洗干净，让业务模型能够输入高质量的数据源。
不过，既然做的是大数据挖掘，面对的至少是G级别的数据量（包括用户基本数据、行为数据、交易数据、资金流数据以及第三方数据等等）。那么选择正确的方式来清洗特征数据就极为重要，除了让你事半功倍，还至少能够保证你在方案上是可行的。
在大数据生态圈里，有着很多开源的数据ETL工具，每一种都私下尝尝鲜也可以。但是对于一个公司内部来说，稳定性、安全性和成本都是必须考虑的。
就拿Spark Hive和Hive来说，同样是在Yarn上来跑P，而且替换任务的执行引擎也很方便。
修改任务执行引擎
的确，Spark的大多数任务都会比MapReduce执行效率要快差不多1/3时间。但是，Spark对内存的消耗是很大的，在程序运行期间，每个节点的负载都很高，队列资源消耗很多。因此，我每次提交Spark离线模型跑任务时，都必须设置下面的参数，防止占用完集群所有资源。
spark-submit --master yarn-cluster --driver-memory 5g --executor-memory 2g --num-executors 20
其中：
单独的提交Spark任务，优化参数还可以解决大部分运行问题。但是完全替换每天跑P加工报表的执行引擎，从MapReduce到Spark，总会遇到不少意想不到的问题。对于一个大数据部门而言，另可效率有所延迟，但是数据稳定性是重中之重。
Spark运行Stage
所以，大部分数据处理，甚至是业务场景模型每天的数据清洗加工，都会优先考虑Hive基于MapRedcue的执行引擎，少部分会单独使用编写MapReduce、Spark程序来进行复杂处理。
这节要介绍的内容其实很多，单独对于Hive这方面，就包括执行计划、常用写法、内置函数、一些自定义函数，以及优化策略等等。
幸运的是，这方面资源在网上很全，这是一个值得欣慰的点，基本遇到的大多数问题都能够搜到满意答案。
因此，文章这个版块主要顺着这条主线来——（我在大数据挖掘实践中所做的模型特征清洗），这样对于大数据挖掘的朋友们来说，更具有针对性。
（这里不扩展数据源的抽取和行为数据的埋点）
大数据平台的数据源集中来源于三个方面，按比重大小来排序：
60%来源于关系数据库的同步迁移： 大多数公司都是采用MySQL和Oracle，就拿互联网金融平台来说，这些数据大部分是用户基本信息，交易数据以及资金数据。
30%来源于平台埋点数据的采集：渠道有PC、Wap、安卓和IOS，通过客户端产生请求，经过Netty服务器处理，中国直播网，再进Kafka接受数据并解码，最后到Spark Streaming划分为离线和实时清洗。
10%来源于第三方数据：做互联网金融都会整合第三方数据源，大体有工商、快消、车房、电商交易、银行、运营商等等，有些是通过正规渠道来购买（已脱敏），大部分数据来源于黑市（未脱敏）。这个市场鱼龙混杂、臭气熏天，很多真实数据被注入了污水，在这基础上建立的模型可信度往往很差。
得数据，得天下？
看过我以前文章集的朋友都知道一点，我致力于做大数据产品。
在之前开发数据产品的过程中，有一次规划了一个页面——用户关系网络，底层是引用了一个组合模型。
简单来说是对用户群体细分，判断用户属于那一类别的羊毛党群体，再结合业务运营中的弹性因子去综合评估用户的风险。
截图的原型Demo
大家看到这幅图会有什么想法？
简单来说，原型展示的是分析两个用户之间在很多维度方面的关联度
当时这个功能在后端开发过程中对于特征数据的处理花了很多时间，有一部分是数据仓库工具HQL所不能解决的，而且还需要考虑完整页面（截图只是其中一部分）查询的响应时间，这就得预先标准化业务模型的输出结果。
#p#分页标题#e#我可以简单描述下需求场景：
简单来说，IP地址只是一个媒介，连接着不同用户。——你中有我，我中有你。
雪花状
有了上面的背景描述，那么就需要每个读者都去思考下这三个问题：
问题一、如何先通过某个用户最近30天的IP列表去找到使用相同IP频数最多的那一批用户列表呢？
问题二、如何结合关系网络的每个维度（IP、设备指纹、身份证、银行卡和加密隐私等等），去挖掘与该用户关联度最高的那一批用户列表？
问题三、如何对接产品标准化模型输出，让页面查询的效应时间变得更快些？
思考就像吃大理核桃般，总是那么耐人寻味。
对于70%的数据清洗都可以使用Hive来完美解决，而且网络参考资料也很全，所以大多数场景我都推荐用Hive来清洗。——高效、稳定
不过在使用过程中，我有两点建议送给大家：
第一点建议：要学会顾全大局，不要急于求成，学会把复杂的查询拆开写，多考虑集群整个资源总量和并发任务数。
第二点建议：心要细，在线下做好充足的测试，确保安全性、逻辑正确和执行效率才能上线。
礼物也送了，继续介绍
对于上述的用户关系网络场景，这里举IP维度来实践下，如何利用Hive进行数据清洗。
下面是用户行为日志表的用户、IP地址和时间数据结构。
用户、IP和时间
回到上面的第一个思考，中国直播网，如何先通过某个用户最近30天的IP列表去找到使用相同IP频数最多的那一批用户列表呢？
我当时采取了两个步骤。
步骤一：清洗最近30天所有IP对应的用户列表，并去重用户
select ip,concat_ws('_',collect_set(cast(mid as string)))
from tmp.fraud_sheep_behavdetail_union
where ip is not null and systime='2016-12-06'
group by ip
这里解释三个内置函数concat_ws、collect_set和cast，先更了解必须去亲自实践：
果然很方便吧，下面是第一个步骤的执行结果。
IP马赛克
步骤二：清洗用户在IP媒介下，所有关联的用户集列表
select s1.mid,concat_ws('_',collect_set(s2.midset)) as ip_midset
from (select ip,mid from tmp.fraud_sheep_behavdetail_union where systime>='2016-11-06' group by ip,mid) s1
join (
select ip,concat_ws('_',collect_set(cast(mid as string))) as midset
from tmp.fraud_sheep_behavdetail_union
where ip is not null and systime>='2016-11-06'
group by ip) s2 on (s1.ip=s2.ip)
group by s1.mid
最终对于IP媒介清洗的数据效果如下所示：
1816945284629847 1816945284629847_3820150008135667_1850212776606754_3820150012550757 _3820150006640108_1823227153612976_3820150001918669_1816945284629847 1816945284629848 1816945284629848_3820150002527117_100433_3820150009829678_ 100433_100433_3820150002811537_3820150008901840_3820150012766737 _100433_3800000242066917_100433
同理对于其他维度的媒介方法一样，到这一步，算是完成Hive阶段的初步清洗，是不是很高效。
会员ID 性别 加密隐私 身份证号 银行卡号 IP地址 设备指纹 18231292 男 18231293:男 18232394:男 382015495:男_18232272:男 38201500:女_38201509:女_382937:女 3820152901:男_38204902:男_3820486:男_38201326:女
但是对于分析用户细分来说，还需要借助MapReduce，或者Scala来深层次处理特征数据。
对于使用Spark框架来清洗数据，我一般都是处于下面两个原因：
对于部署本机的大数据挖掘环境，可以查看这两篇文章来实践动手下：
工欲善其事，必先利其器。有了这么好的利器，处理复杂的特征数据，那都是手到擒来。
借助于Hive清洗处理后的源数据，我们继续回到第二个思考——如何结合关系网络的每个维度，去初步挖掘与该用户关联度最高的那一批用户列表？
看到这个问题，又产生了这几个思考：
如果才刚刚处理大数据挖掘，遇到这样的问题的确很费神，就连你们常用的Python和R估计也难拯救你们。但是如果实战比较多，这样的独立任务，完全可以并发到每台计算节点上去每行单独处理，而我们只需要在处理每行时，单独调用清洗方法即可。
这里我优先推荐使用Spark来清洗处理（后面给一个MapReduce的逻辑），整个核心过程主要有三个板块
#p#分页标题#e#预处理，对所有关联用户去重，并统计每个关联用户在每个维度的累计次数
//循环每个维度下的关联用户集
for(j <- 0 until value.length){
//用列表存放所有关联用户集
if(value.apply(j).split(SEPARATOR4).size==2 && value.apply(j).split(SEPARATOR4).apply(0)!=mid){
midList.append(value.apply(j))
}
if(setMap.contains(value.apply(j))){
//对每个维度关联用户的重复次数汇总
val values = setMap.get(value.apply(j)).get
setMap=setMap.+((value.apply(j),1+values))
}else{
setMap=setMap.+((value.apply(j),1))
}
}
评分，循环上述关联用户集，给关联度打一个分
for(ii <- 0 until distinctMidList.size){
var reationValue = 0.0
//分布取每个关联用户
val relation = distinctMidList.apply(ii)
//关联用户的会员ID
val mid = relation.split(SEPARATOR4).apply(0)
//关联用户的性别
val relationSex = relation.split(SEPARATOR4).apply(1)
val featureStr = new StringBuilder()
//循环每个关联维度去给关联用户打分
for(jj <- 1 to FeatureNum.toInt){
var featureValue = 0.0
//获取该关联用户在每个维度下重复次数
val resultMap = midMap.get(jj).get.get(relation).getOrElse(0)
if(jj==1){
//加密隐私,确定权重为10
featureValue=resultMap*10
}else if(jj==2 || jj==3){
标准化清洗处理，用户关联用json串拼接
3820150000934593 | 1 | [{"f1":"0","f2":"0","f3":"0","f4":"15","f5":"60","s":"1","r":"75"
,"m":"3820150000316460"},{"f1":"0","f2":"0","f3":"0","f4":"30","f
5":"30","s":"1","r":"60","m":"1816945313571344"},{"f1":"0","f2":"
0","f3":"0","f4":"45","f5":"90","s":"0","r":"135","m":"3820150000655195"}]
得到上面清洗结果，我们才能更好的作为模型的源数据输出，感觉是不是很费神，所以才印证了这句话——做Data Mining，其实大部分时间都花在清洗数据
针对上述的数据清洗，同样可以MapReduce来单独处理。只是开发效率和执行效率有所影响。
当然也不排除适用于MapReduce处理的复杂数据场景。
对于在本地Windows环境写MapRecue代码，可以借鉴上述文章中部署的数据挖掘环境，修改下Maven工程的pom.xml文件就可以了。
<dependency> <groupId>org.apache.hadoop</groupId> <artifactId>hadoop-mapreduce-client-core</artifactId> <version>2.7.2</version> </dependency> <dependency> <groupId>org.apache.hadoop</groupId> <artifactId>hadoop-client</artifactId> <version>2.6.0</version> </dependency>
而我在以往做大数据挖掘的过程里，也有不少场景需要借助MR来处理，比如很早的一篇文章《一种新思想去解决大矩阵相乘》，甚至是大家比较常见的数据倾斜——特别是处理平台行为日志数据，特别容易遇到数据倾斜。
这里提供一个上述Spark清洗数据的MR代码逻辑，大家可以对比看看与Spark代码逻辑的差异性。
Map阶段
public static class dealMap
extends Mapper<Object,Text, Text,Text>{
@Override
protected void setup(Context context)
throws IOException,InterruptedException{
/**
* 初始化Map阶段的全局变量,目前使用不上
*/
}
public void map(Object key,Text value,Context context)
throws IOException,InterruptedException{
//类似Spark,每一行读取文件,按分隔符划分
String[] records = value.toString().split("\u0009");
StringBuffer k = new StringBuffer();
//这里Key包含Mid和Sex
String keys = k.append(records[0]).append("\u0009")
.append(records[1]).toString();
//接下来对剩余维度数据进行循环
for(int i=2;i<records.length;i++){
//解决两个问题,和Spark类似
//确定与该用户关联的用户列表
//确定关联用户在每一个维度的累计频数
}
for(int j=2;j<records.length;j++){
//循环计算用户关联得分,和Spark类似
}
/**
* 设置用户Mid和sex作为Map阶段传输的Key,用户关联维度用户集作为value传输到reduce阶段
*/
context.write(new Text(keys.toString()), new Text(value.toString()));
}
}
Reduce阶段（这里用不上）
public static class dealReduce
extends Reducer<Text,Text,Text,Text> {
public void reduce(Text key, Iterable<Text> values,Context context)
throws IOException, InterruptedException{
/**
* 一般都会用Reduce阶段，但是这里用不上
*/
for (Text val : values) {
}
}
}
Drive阶段
public static Boolean run(String input,String ouput)
throws IOException, ClassNotFoundException, InterruptedException{
Configuration conf = new Configuration();
Job job = Job.getInstance(conf, "");
job.setJarByClass();
job.setMapperClass();
job.setReducerClass();
job.setNumReduceTasks(10);
job.setOutputKeyClass(Text.class);
job.setOutputValueClass(Text.class);
Path output = new Path(ouput);
FileInputFormat.setInputPaths(job,input);
FileOutputFormat.setOutputPath(job, output);
output.getFileSystem(conf).delete(output,true);
Boolean result=job.waitForCompletion(true);
return result;
}
上面这三个阶段就是MR任务常规的流程，处理上述问题的思路其实和Spark逻辑差不多。只是这套框架性代码量太多，有很多重复性，每写一个MR任务的工作量也会比较大，执行效率我并没有去测试作比较。
如果Spark跑线上任务模型会出现不稳定的话，我想以后我还是会迁移到MapReduce上去跑离线模型。
#p#分页标题#e#
说到这里，整篇文章概括起来有三点：
但是，还是那么一句话——使用什么技术不在乎，我更迷恋业务场景驱动下的技术挑战。
与你沟通最关键的，也许会是直属领导，也许会是业务运营人员，甚至是完全不懂技术的客户。他们最关心的是你在业务层面上的技术方案能否解决业务痛点问题。
所以，做大数据挖掘要多关心业务，别一味只谈技术。
作者：汪榕
特别声明：本文为中国直播网直播号作者或机构上传并发布，仅代表该作者或机构观点，不代表中国直播网的观点或立场，中国直播网仅提供信息发布平台。
版权声明：版权归著作权人，转载仅限于传递更多信息，如来源标注错误侵害了您的权利，请来邮件通知删除，一起成长谢谢
欢迎加入：直播号，开启无限创作！一个敢纰漏真实事件，说真话的创作分享平台，一个原则：只要真实，不怕事大，有线索就报料吧！申请直播号请用电脑访问https://zbh.zhibotv.com.cn。
