怎么使用Apache Spark实现分布式随机森林

本篇内容主要讲解“怎么使用Apache Spark实现分布式随机森林”，感兴趣的朋友不妨来看看。本文介绍的方法操作简单快捷，实用性强。下面就让小编来带大家学习“怎么使用Apache Spark实现分布式随机森林”吧!

实验概述

我们使用公共可用的纽约出租车数据集，并训练一个随机森林回归器，该回归器可以使用与乘客接送相关的属性来预测出租车的票价金额。以2017年、2018年和2019年的出租车出行量为训练集，共计300700143个实例。

硬件

Spark集群使用Amazon EMR进行管理，而Dask/RAPIDS集群则使用Saturn Cloud进行管理。

两个集群都有20个工作节点，具有以下AWS实例类型：

Spark：r5.2xlarge

• 8个CPU，64 GB RAM

• 按需价格：0.504美元/小时

RAPIDS：g4dn.xlarge

• 4个CPU，16 GB RAM

• 1个GPU，16 GB GPU RAM（NVIDIA T4）

• 按需价格：0.526美元/小时

Saturn Cloud也可以用NVIDIA特斯拉V100 GPU来启动Dask集群，但我们在这个练习中选择了g4dn.xlarge，保持与Spark集群相似的小时成本概况。

Spark

Apache Spark是一个在Scala中构建的开源大数据处理引擎，它有一个Python接口，可以调用Scala/JVM代码。

它是Hadoop处理生态系统中的一个重要组成部分，围绕MapReduce范例构建，并且具有用于数据帧和机器学习的接口。

设置Spark集群不在本文的讨论范围之内，但是一旦准备好集群，就可以在Jupyter Notebook中运行以下命令来初始化Spark：

import findspark
findspark.init()

from pyspark.sql import SparkSession

spark = (SparkSession
        .builder
        .config('spark.executor.memory', '36g')
        .getOrCreate())

findspark包检测系统上的Spark安装位置；如果可以知道Spark包的安装位置，则可能不需要这样做。

要获得有性能的Spark代码，需要设置几个配置设置，这取决于集群设置和工作流。在这种情况下，我们设置spark.executor.memory以确保我们不会遇到任何内存溢出或Java堆错误。

RAPIDS

NVIDIA RAPIDS是一个开源的Python框架，它在gpu而不是cpu上执行数据科学代码。类似于在训练深度学习模型时所看到的，这将为数据科学工作带来巨大的性能提升。

RAPIDS有数据帧、ML、图形分析等接口。RAPIDS使用Dask来处理与具有多个gpu的机器的并行化，以及每个具有一个或多个gpu的机器集群。

设置GPU机器可能有点棘手，但是Saturn Cloud已经为启动GPU集群预构建了映像，所以你只需几分钟就可以启动并运行了！要初始化指向群集的Dask客户端，可以运行以下命令：

from dask.distributed import Client
from dask_saturn import SaturnCluster

cluster = SaturnCluster()
client = Client(cluster)

数据加载

数据文件托管在一个公共的S3 bucket上，因此我们可以直接从那里读取csv。S3 bucket的所有文件都在同一个目录中，所以我们使用s3fs来选择我们想要的文件：

import s3fs
fs = s3fs.S3FileSystem(anon=True)
files = [f"s3://{x}" for x in fs.ls('s3://nyc-tlc/trip data/')
         if 'yellow' in x and ('2019' in x or '2018' in x or '2017' in x)]
         
cols = ['VendorID', 'tpep_pickup_datetime', 'tpep_dropoff_datetime', 'passenger_count', 'trip_distance',
      'RatecodeID', 'store_and_fwd_flag', 'PULocationID', 'DOLocationID', 'payment_type', 'fare_amount',
      'extra', 'mta_tax', 'tip_amount', 'tolls_amount', 'improvement_surcharge', 'total_amount']

使用Spark，我们需要单独读取每个CSV文件，然后将它们组合在一起：

import functools
from pyspark.sql.types import *
import pyspark.sql.functions as F
from pyspark.sql import DataFrame

# 手动指定模式，因为read.csv中的inferSchema非常慢
schema = StructType([
    StructField('VendorID', DoubleType()),
    StructField('tpep_pickup_datetime', TimestampType()),
    ...
    # 参考notebook获得完整对象模式
]) 

def read_csv(path):
    df = spark.read.csv(path,
                        header=True,
                        schema=schema,
                        timestampFormat='yyyy-MM-dd HH:mm:ss',
                       )
    df = df.select(cols)
    return df

dfs = []
for tf in files:
    df = read_csv(tf)
    dfs.append(df)

taxi = functools.reduce(DataFrame.unionAll, dfs)
taxi.count()

使用Dask+RAPIDS，我们可以一次性读取所有CSV文件：

import dask_cudf

taxi = dask_cudf.read_csv(files, 
                          assume_missing=True,
                          parse_dates=[1,2], 
                          usecols=cols, 
                          storage_options={'anon': True})
len(taxi)

特征工程

我们将根据时间生成一些特征，然后保存数据帧。在这两个框架中，这将执行所有CSV加载和预处理，并将结果存储在RAM中（在RAPIDS的情况下是GPU RAM）。我们将用于训练的特征包括：

features = ['pickup_weekday', 'pickup_hour', 'pickup_minute',
            'pickup_week_hour', 'passenger_count', 'VendorID', 
            'RatecodeID', 'store_and_fwd_flag', 'PULocationID', 
            'DOLocationID']

对于Spark，我们需要将特征收集到向量类中：

from pyspark.ml.feature import VectorAssembler
from pyspark.ml.pipeline import Pipeline

taxi = taxi.withColumn('pickup_weekday', F.dayofweek(taxi.tpep_pickup_datetime).cast(DoubleType()))

taxi = taxi.withColumn('pickup_hour', F.hour(taxi.tpep_pickup_datetime).cast(DoubleType()))

taxi = taxi.withColumn('pickup_minute', F.minute(taxi.tpep_pickup_datetime).cast(DoubleType()))

taxi = taxi.withColumn('pickup_week_hour', ((taxi.pickup_weekday * 24) + taxi.pickup_hour).cast(DoubleType()))

taxi = taxi.withColumn('store_and_fwd_flag', F.when(taxi.store_and_fwd_flag == 'Y', 1).otherwise(0))

taxi = taxi.withColumn('label', taxi.total_amount)  
taxi = taxi.fillna(-1)

assembler = VectorAssembler(
    inputCols=features,
    outputCol='features',
)

pipeline = Pipeline(stages=[assembler])
assembler_fitted = pipeline.fit(taxi)
X = assembler_fitted.transform(taxi)
X.cache()
X.count()

对于RAPIDS，我们将所有浮点值转换为float32，以便进行GPU计算：

from dask import persist
from dask.distributed import wait

taxi['pickup_weekday'] = taxi.tpep_pickup_datetime.dt.weekday
taxi['pickup_hour'] = taxi.tpep_pickup_datetime.dt.hour
taxi['pickup_minute'] = taxi.tpep_pickup_datetime.dt.minute
taxi['pickup_week_hour'] = (taxi.pickup_weekday * 24) + taxi.pickup_hour
taxi['store_and_fwd_flag'] = (taxi.store_and_fwd_flag == 'Y').astype(float)
taxi = taxi.fillna(-1)

X = taxi[features].astype('float32')
y = taxi['total_amount']
X, y = persist(X, y)
_ = wait([X, y])
len(X)

训练随机森林

我们只需要几行代码就可以训练随机森林。

Spark：

from pyspark.ml.regression import RandomForestRegressor
rf = RandomForestRegressor(numTrees=100, maxDepth=10, seed=42)
fitted = rf.fit(X)

RAPIDS：

from cuml.dask.ensemble import RandomForestRegressor
rf = RandomForestRegressor(n_estimators=100, max_depth=10, seed=42)
_ = rf.fit(X, y)

结果

我们对Spark（CPU）和RAPIDS（GPU）集群上的300700143个纽约出租车数据实例训练了一个随机森林模型。两个集群都有20个工作节点，每小时价格大致相同。以下是工作流每个部分的结果：

Task	Spark	RAPIDS
Load/rowcount	20.6 seconds	25.5 seconds
Feature engineering	54.3 seconds	23.1 seconds
Random forest	36.9 minutes	1.02 seconds

37分钟的Spark 与1秒的RAPIDS！

GPU胜利！想一想，一次拟合你不需要等待37分钟了，这将加快之后迭代和改进模型的速度。而在CPU上，一旦添加了超参数调优或测试不同的模型，迭代都很容易累积到数小时或数天。

到此，相信大家对“怎么使用Apache Spark实现分布式随机森林”有了更深的了解，不妨来实际操作一番吧！这里是亿速云网站，更多相关内容可以进入相关频道进行查询，关注我们，继续学习！