Spark之導出PMML文件（Python）

　　PMML，全稱預言模型標記語言（Predictive Model Markup Language），利用XML描述和存儲數據挖掘模型，是一個已經被W3C所接受的標准。PMML是一種基於XML的語言，用來定義預言模型。詳細的介紹可以參考：http://dmg.org/pmml/v4-3/GeneralStructure.html。
　　本文將介紹如何在Spark中導出PMML文件（Python語言）。
　　首先我們需要安裝jpmml-sparkml-package。具體的安裝細節可以參考：https://github.com/jpmml/jpmml-sparkml-package。
　　1.利用Git下載JPMML-SparkML-Package project

git init
git clone https://github.com/jpmml/jpmml-sparkml-package.git 
cd jpmml-sparkml-package

如下圖所示：

　　2.生成uber-JAR文件
　　將Spark的Python路徑添加到環境變量

sudo gedit /etc/profile
export PYTHONPATH=$PYTHONPATH:$SPARK_HOME/python
source /etc/profile

再生成uber-JAR文件

mvn -Ppyspark -Dpython.exe=/usr/bin/python3.5 clean package

注意這里的python路徑要是你自己的系統里的Python路徑。耐心等待運行，運行結果如下：

這時jpmml-sparkml-package文件夾下會多出target文件夾，如下：

　　3.將上述的jpmml_sparkml-1.3rc0-py3.5.egg文件添加到Eclipse的Pydev的libraries中，如下圖：

並且將上述的兩個jar包復制到spark安裝目錄下的jars文件夾下。

這樣我們就完成了所有的環境配置。接下來我們進行測試：
　　首先，我們需要數據……數據文件test_data.csv截圖如下（部分）：

完整的數據集可在http://archive.ics.uci.edu/ml/datasets/Wholesale+customers找到。
　　在Eclipse中新建test_PMML項目，如下圖：

其中test_pmml.py的python代碼如下：

from pyspark import SparkContext
from pyspark.sql import SparkSession
from pyspark.ml import Pipeline
from pyspark.ml.classification import LogisticRegression
from pyspark.ml.feature import RFormula
from jpmml_sparkml import toPMMLBytes


sc = SparkContext.getOrCreate()
spark = SparkSession.builder.appName("PMML Predict").config("spark.some.config.option", "some-value").getOrCreate()
print("Read file from /home/vagrant/......")
df = spark.read.csv("/home/vagrant/test_data.csv", header = True, inferSchema = True)
print("Reading complete.\n")

print("Processing logistic model......")
formula = RFormula(formula = "target ~ .")
logit = LogisticRegression()
pipeline = Pipeline(stages = [formula, logit])
pipelineModel = pipeline.fit(df)
print("Modeling complete.\n")

print("Exporting pmml file......")
pmmlBytes = toPMMLBytes(sc, df, pipelineModel)
output_rdd = sc.parallelize([pmmlBytes]) 
output_rdd.saveAsTextFile("pmml_Logit")
print("Export complete.\nThe end.")

運行結果如下：

同時會生成pmml_Logit文件夾，里面包含PMML文件part-00000，內容如下圖（部分）：

這樣我們就成功地導出了邏輯回歸模型的PMML文件！本次分享就到這兒啦~~

---

參考文獻：

1. PMML介紹：http://dmg.org/pmml/v4-3/GeneralStructure.html
2. 測試數據集：http://archive.ics.uci.edu/ml/machine-learning-databases/00292/
3. https://stackoverflow.com/questions/39888728/export-models-as-pmml-using-pyspark/39902676#39902676
4. https://github.com/jpmml/jpmml-sparkml-package