前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >图解大数据 | Spark GraphFrames-基于图的数据分析挖掘

图解大数据 | Spark GraphFrames-基于图的数据分析挖掘

原创
作者头像
ShowMeAI
发布2022-03-09 00:03:32
1.4K0
发布2022-03-09 00:03:32
举报
文章被收录于专栏:ShowMeAI研究中心

作者:韩信子@ShowMeAI

教程地址http://www.showmeai.tech/tutorials/84

本文地址http://www.showmeai.tech/article-detail/182

声明:版权所有,转载请联系平台与作者并注明出处

1.GraphFrames介绍

由Databricks、UC Berkeley以及MIT联合为Apache Spark开发了一款图处理类库,名为GraphFrames。该类库构建在DataFrame之上,既能利用DataFrame良好的扩展性和强大的性能,同时也为Scala、Java和Python提供了统一的图处理API。

1) Spark对图计算的支持

Spark从最开始的关系型数据查询,到图算法实现,到GraphFrames库可以完成图查询。

2) GraphFrames的优势

GraphFrames是类似于Spark的GraphX库,支持图处理。但GraphFrames建立在Spark DataFrame之上,具有以下重要的优势:

  • 支持Scala,Java 和Python AP:GraphFrames提供统一的三种编程语言APIs,而GraphX的所有算法支持Python和Java。
  • 方便、简单的图查询:GraphFrames允许用户使用Spark SQL和DataFrame的API查询。
  • 支持导出和导入图:GraphFrames支持DataFrame数据源,使得可以读取和写入多种格式的图,比如Parquet、JSON和CSV格式。

2.构建GraphFrames

以航班分析为例,我们需要构建GraphFrames:

  • ① 先把数据读取成DataFrame。
  • ② 再通过DataFrame查询,构建出点和边。
  • ③ 再通过点和边构建GraphFrames。
代码语言:python
代码运行次数:0
复制
# Create Vertices (airports) and Edges (flights)
tripVertices=airports.withColumnRenamed("IATA","id").distinct()
tripEdges=departureDelays
   .select("tripid","delay","src","dst","city_dst","state_dst")

# This GraphFrame builds upon the vertices and edges based on our trips (flights)
tripGraph=GraphFrame(tripVertices, tripEdges)

3.简单query与数据分析

1) 查询机场个数和行程个数

代码语言:python
代码运行次数:0
复制
# 查询机场个数和行程个数(查询节点和边的个数)
print("Airports:", tripGraph.vertices.count())
print("Trips:", tripGraph.edges.count())

2) 查询最长的航班延迟

代码语言:python
代码运行次数:0
复制
# 查询最长延误时间(通过分组统计完成)
longestDelay = tripGraph.edges.groupby().max("delay")

3) 晚点与准点航班分析

代码语言:python
代码运行次数:0
复制
# 晚点与准点航班分析(通过数据选择与过滤,进行边的分析)
print "On-time / Early Flights: %d" % tripGraph.edges.filter("delay <= 0").count()
print "Delayed Flights: %d" % tripGraph.edges.filter("delay > 0").count()

4)从旧金山出发的飞机中延迟最严重的航班

代码语言:python
代码运行次数:0
复制
# 从旧金山出发的飞机中延迟最严重的航班(数据选择+边分析+分组统计)
tripGraph.edges.filter(“src = ‘SFO’ and delay > 0”).groupBy(“src”, “dst”).avg(“delay”).sort(desc(“avg(delay)”))

4.图中点与边相关计算

1) 图中度的分析

在航班案例中:入度:抵达本机场的航班数量;出度:从本机场出发的航班数量;度:连接数量。

代码语言:python
代码运行次数:0
复制
display(tripGraph.degrees.sort(desc("degree")).limit(20))

2) 图中边的分析

边的分析,通常是对成对的数据进行统计分析的

代码语言:python
代码运行次数:0
复制
import pyspark.sql.functions as func 
topTrips = tripGraph.edges.groupBy("src", "dst").agg(func.count("delay").alias("trips"))

5.图入度与出度相关应用

1) 入度出度对图进一步分析

通过入度和出度分析中转站:入度/出度≈1,中转站;入度/出度>1,出发站;入度/出度<1,抵达站。

代码语言:python
代码运行次数:0
复制
# Calculate the inDeg (flights into the airport) and outDeg (flights leaving the airport) 
inDeg = tripGraph.inDegrees 
outDeg = tripGraph.outDegrees 

# Calculate the degreeRatio (inDeg/outDeg) 
degreeRatio = inDeg.join(outDeg, inDeg.id == outDeg.id).drop(outDeg.id).selectExpr("id", "double(inDegree)/double(outDegree) as degreeRatio").cache() 

# Join back to the `airports` DataFrame (instead of registering temp table as above) 
nonTransferAirports = degreeRatio.join(airports, degreeRatio.id == airports.IATA) \ 
    .selectExpr("id", "city", "degreeRatio").filter("degreeRatio < .9 or degreeRatio > 1.1") 

# List out the city airports which have abnormal degree ratios. 
display(nonTransferAirports)
代码语言:python
代码运行次数:0
复制
# Join back to the `airports` DataFrame (instead of registering temp table as above) 
transferAirports = degreeRatio.join(airports, degreeRatio.id == airports.IATA) \ 
    .selectExpr("id", "city", "degreeRatio").filter("degreeRatio between 0.9 and 1.1") 

# List out the top 10 transfer city airports 
display(transferAirports.orderBy("degreeRatio").limit(10))

2) 广度优先搜索

通过广度优先搜索,可以对图中的两个点进行关联查询:比如我们查询从旧金山到布法罗,中间有一次中转的航班。

代码语言:python
代码运行次数:0
复制
# Example 1: Direct Seattle to San Francisco 
filteredPaths = tripGraph.bfs(fromExpr = "id = 'SEA'", toExpr = "id = 'SFO'", maxPathLength = 1) 
display(filteredPaths) 

# Example 2: Direct San Francisco and Buffalo 
filteredPaths = tripGraph.bfs(fromExpr = "id = 'SFO'", toExpr = "id = 'BUF'", maxPathLength = 1) 
display(filteredPaths) 

# Example 2a: Flying from San Francisco to Buffalo 
filteredPaths = tripGraph.bfs(fromExpr = "id = 'SFO'", toExpr = "id = 'BUF'", maxPathLength = 2) 
display(filteredPaths)

6.Pagerank算法与相关应用

可以通过pagerank算法进行机场排序:每个机场都会作为始发站和终点站很多次,可以通过pagerank算法对其重要度进行排序。

代码语言:python
代码运行次数:0
复制
# Determining Airport ranking of importance using `pageRank` 
ranks = tripGraph.pageRank(resetProbability=0.15, maxIter=5) 
display(ranks.vertices.orderBy(ranks.vertices.pagerank.desc()).limit(20))

原创声明:本文系作者授权腾讯云开发者社区发表,未经许可,不得转载。

如有侵权,请联系 cloudcommunity@tencent.com 删除。

原创声明:本文系作者授权腾讯云开发者社区发表,未经许可,不得转载。

如有侵权,请联系 cloudcommunity@tencent.com 删除。

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
目录
  • 1.GraphFrames介绍
    • 1) Spark对图计算的支持
      • 2) GraphFrames的优势
      • 2.构建GraphFrames
      • 3.简单query与数据分析
        • 1) 查询机场个数和行程个数
          • 2) 查询最长的航班延迟
            • 3) 晚点与准点航班分析
              • 4)从旧金山出发的飞机中延迟最严重的航班
              • 4.图中点与边相关计算
                • 1) 图中度的分析
                  • 2) 图中边的分析
                  • 5.图入度与出度相关应用
                    • 1) 入度出度对图进一步分析
                      • 2) 广度优先搜索
                      • 6.Pagerank算法与相关应用
                      相关产品与服务
                      大数据
                      全栈大数据产品,面向海量数据场景,帮助您 “智理无数,心中有数”!
                      领券
                      问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档