崔曉龍， 郭 茜，b， 邊勝琴， 張德政，b

（北京科技大學(xué)a．計(jì)算機(jī)與通信工程學(xué)院；b．材料領(lǐng)域知識(shí)工程北京市重點(diǎn)實(shí)驗(yàn)室，北京100083）

0 引 言

大數(shù)據(jù)時(shí)代，數(shù)據(jù)已經(jīng)成為各企業(yè)的重要資產(chǎn)，利用大數(shù)據(jù)進(jìn)行主題分析挖掘，不僅可以對(duì)數(shù)據(jù)進(jìn)行宏觀監(jiān)控，還可以幫助企業(yè)降低成本、提高效率、開發(fā)新產(chǎn)品，做出更加科學(xué)、準(zhǔn)確的業(yè)務(wù)決策。隨著數(shù)據(jù)量的增多，企業(yè)面對(duì)多方面的主題分析時(shí)往往將其視為獨(dú)立的項(xiàng)目，即每次進(jìn)行主題分析時(shí)均需重新獲取數(shù)據(jù)、重新進(jìn)行數(shù)據(jù)預(yù)處理、重新構(gòu)建模型。在進(jìn)行多主題分析時(shí)，這種方式往往導(dǎo)致主題間數(shù)據(jù)源及算法模型重用性差等問題。同時(shí)在可預(yù)見的未來，互聯(lián)網(wǎng)的發(fā)展必然帶來數(shù)據(jù)量爆炸式的增長(zhǎng)，數(shù)據(jù)分析人員對(duì)數(shù)據(jù)的預(yù)處理能力落后與數(shù)據(jù)快速增長(zhǎng)之間的矛盾將會(huì)更加突出，同時(shí)也伴隨著數(shù)據(jù)分析性能遇到瓶頸，缺少數(shù)據(jù)分析挖掘的高級(jí)方法，數(shù)據(jù)分析人員無法直觀查看數(shù)據(jù)分布并進(jìn)行預(yù)處理等問題的發(fā)生，這些問題制約著大數(shù)據(jù)分析的發(fā)展［1-3］。本文建立一個(gè)集多主題構(gòu)建于一體的通用大數(shù)據(jù)分析平臺(tái)，實(shí)現(xiàn)多個(gè)主題構(gòu)建，各類型大數(shù)據(jù)存儲(chǔ)與抽取，主題間的數(shù)據(jù)共享，主題間算法模型共享，大數(shù)據(jù)自動(dòng)分析并給出相應(yīng)處理建議是解決以上問題的一個(gè)可行方案［4］。

1 相關(guān)技術(shù)

1.1 數(shù)據(jù)分析

數(shù)據(jù)分析流程主要包括：確定分析主題、獲取數(shù)據(jù)、數(shù)據(jù)描述、數(shù)據(jù)預(yù)處理、構(gòu)建算法模型5個(gè)步驟。確定分析主題需結(jié)合業(yè)務(wù)背景來分析需求，確定分析及研究方向；通過爬蟲技術(shù)、ETL技術(shù)、日志采集工具可分別獲得網(wǎng)絡(luò)數(shù)據(jù)、系統(tǒng)數(shù)據(jù)、日志數(shù)據(jù)；通過查看數(shù)據(jù)基本描述屬性可查看數(shù)據(jù)分布，如中心趨勢(shì)度量（均值、中位數(shù)、眾數(shù)）、數(shù)據(jù)分布度量（極差、四分位數(shù)、方差和標(biāo)準(zhǔn)差）、統(tǒng)計(jì)描述可視化（分位數(shù)圖、直方圖）對(duì)數(shù)據(jù)進(jìn)行描述；通過數(shù)據(jù)清理、數(shù)據(jù)集成、數(shù)據(jù)規(guī)約、數(shù)據(jù)變換等方法對(duì)數(shù)據(jù)進(jìn)行預(yù)處理［5］；結(jié)合數(shù)據(jù)特點(diǎn)構(gòu)建相應(yīng)的算法模型，如分類算法、聚類算法、關(guān)聯(lián)規(guī)則算法等。

1.2 大數(shù)據(jù)

針對(duì)海量的數(shù)據(jù)，一味提高硬盤容量和內(nèi)存只會(huì)導(dǎo)致成本提高以及數(shù)據(jù)處理效率遇到瓶頸等問題發(fā)生。為解決海量數(shù)據(jù)分布式存儲(chǔ)及計(jì)算問題，Google在2006年前公布了GFS、MapReduce，這也直接支持了Apache Hadoop 項(xiàng)目的誕生［6］。

Hadoop的分布式文件系統(tǒng)為HDFS（Hadoop Distributed File System）［7-9］，它是一個(gè)高度容錯(cuò)性的系統(tǒng)，解決了分布式計(jì)算中數(shù)據(jù)存儲(chǔ)管理問題，適合部署在廉價(jià)的機(jī)器上。隨著數(shù)據(jù)種類的增多，非關(guān)系型數(shù)據(jù)庫(kù)受到更多關(guān)注。如MongoDB是基于分布式文件存儲(chǔ)的數(shù)據(jù)庫(kù)，旨在為WEB應(yīng)用提供可擴(kuò)展的高性能數(shù)據(jù)存儲(chǔ)解決方案；HBase是一種構(gòu)建在HDFS之上的分布式、面向列的存儲(chǔ)系統(tǒng)，利用Hadoop MapReduce來處理HBase中的海量數(shù)據(jù)。

大數(shù)據(jù)算法庫(kù)需具備大數(shù)據(jù)的批量計(jì)算、流式計(jì)算能力，其中批量計(jì)算主要針對(duì)靜態(tài)數(shù)據(jù)的離線計(jì)算，吞吐量好，但是不能保證實(shí)時(shí)性；流計(jì)算主要針對(duì)動(dòng)態(tài)數(shù)據(jù)的在線實(shí)時(shí)計(jì)算，時(shí)效性好，但是難以獲取數(shù)據(jù)全貌［10］。針對(duì)不同的數(shù)據(jù)類型，平臺(tái)需具備可結(jié)合各類業(yè)務(wù)邏輯的算法、海量數(shù)據(jù)的離線分析與處理能力。目前存在的多種大數(shù)據(jù)算法庫(kù)中以Mahout、Spark下的Spark MLlib較為流行。

Mahout是一個(gè)基于Hadoop的機(jī)器學(xué)習(xí)和數(shù)據(jù)挖掘的分布式計(jì)算框架，在MapReduce模式下封裝實(shí)現(xiàn)了大量數(shù)據(jù)挖掘經(jīng)典算法，為Hadoop開發(fā)人員提供了數(shù)據(jù)建模的標(biāo)準(zhǔn)，從而大大降低了大數(shù)據(jù)應(yīng)用中并行挖掘產(chǎn)品的開發(fā)難度［11］。

Spark是UC Berkeley AMP Lab開發(fā)的開源集群計(jì)算平臺(tái)，是以內(nèi)存計(jì)算為基礎(chǔ)的集群計(jì)算框架［12］。Spark MLlib是Spark中可擴(kuò)展的機(jī)器學(xué)習(xí)庫(kù)，它由一系列機(jī)器學(xué)習(xí)算法和實(shí)用程序組成，包括分類、回歸、聚類、協(xié)同過濾、降維，還包括一些底層的優(yōu)化方法［13］。

2 平臺(tái)總體設(shè)計(jì)

2.1 平臺(tái)架構(gòu)

基于目前各企業(yè)分析主題時(shí)的難點(diǎn)和痛點(diǎn)，對(duì)大數(shù)據(jù)分析平臺(tái)的總體設(shè)計(jì)如圖1所示。硬件層采用商業(yè)PC服務(wù)器，可靠性和性能均能滿足通用大數(shù)據(jù)平臺(tái)要求；經(jīng)濟(jì)方面采用商業(yè)PC服務(wù)器也是可行的；系統(tǒng)硬件是可擴(kuò)展的，可以通過增加服務(wù)器的數(shù)量提升對(duì)大量數(shù)據(jù)的處理能力。

圖1 平臺(tái)總體架構(gòu)圖

存儲(chǔ)／計(jì)算引擎層采用流行的Hadoop／Spark大數(shù)據(jù)處理引擎，同時(shí)采用NoSQL數(shù)據(jù)庫(kù)（MongoDB、HBase）負(fù)責(zé)非結(jié)構(gòu)化數(shù)據(jù)的存儲(chǔ)；結(jié)構(gòu)化數(shù)據(jù)采用MySQL進(jìn)行存儲(chǔ)；批處理數(shù)據(jù)采用HDFS進(jìn)行存儲(chǔ)。該層以硬件層為基礎(chǔ)負(fù)責(zé)為應(yīng)用層為提供數(shù)據(jù)存儲(chǔ)和計(jì)算服務(wù)［14-15］。

應(yīng)用層包含主題管理模塊、數(shù)據(jù)探索模塊、數(shù)據(jù)預(yù)處理模塊、大數(shù)據(jù)算法模塊。主要負(fù)責(zé)調(diào)動(dòng)存儲(chǔ)／計(jì)算引擎的存儲(chǔ)資源和計(jì)算資源，同時(shí)也為展示層進(jìn)行互動(dòng)并提供計(jì)算結(jié)果。

展示層主要負(fù)責(zé)數(shù)據(jù)分析人員與系統(tǒng)的交互，如數(shù)據(jù)分析人員可通過Web頁(yè)面或命令行請(qǐng)求數(shù)據(jù)，應(yīng)用層可基于展示層的請(qǐng)求調(diào)動(dòng)資源對(duì)數(shù)據(jù)進(jìn)行處理并呈現(xiàn)給展示層。

2.2 數(shù)據(jù)架構(gòu)

大數(shù)據(jù)分析平臺(tái)各層之間均需要接口進(jìn)行銜接，數(shù)據(jù)架構(gòu)關(guān)系著整個(gè)平臺(tái)是否能夠按照預(yù)期需求運(yùn)行，其數(shù)據(jù)架構(gòu)整體設(shè)計(jì)如圖2所示。外部系統(tǒng)對(duì)數(shù)據(jù)存放路徑或IP地址進(jìn)行配置生成配置文件，數(shù)據(jù)采集接口通過讀取配置文件來訪問數(shù)據(jù)，通過數(shù)據(jù)采集對(duì)數(shù)據(jù)進(jìn)行轉(zhuǎn)換并加載，為數(shù)據(jù)處理提供服務(wù)。數(shù)據(jù)可分為少量數(shù)據(jù)、大量數(shù)據(jù)、實(shí)時(shí)數(shù)據(jù)3種，不同種類的數(shù)據(jù)處理策略不同，針對(duì)少量數(shù)據(jù)，可將其存儲(chǔ)到單機(jī)節(jié)點(diǎn)，利用本地內(nèi)存進(jìn)行計(jì)算；離線批量數(shù)據(jù)，則需進(jìn)行分布式存儲(chǔ)，可利用集群進(jìn)行并行計(jì)算；在線實(shí)時(shí)數(shù)據(jù)，可利用集群進(jìn)行流式計(jì)算。數(shù)據(jù)處理過程需記錄到歷史版本庫(kù)，同時(shí)加載模型庫(kù)及已處理好的文件進(jìn)行模型構(gòu)建，最終將結(jié)果文件傳遞給外部系統(tǒng)如Web頁(yè)面、客戶端或交互終端如API請(qǐng)求等。

圖2 數(shù)據(jù)架構(gòu)設(shè)計(jì)概圖

3 功能模塊設(shè)計(jì)

大數(shù)據(jù)分析平臺(tái)分為主題管理模塊、數(shù)據(jù)探索模塊、數(shù)據(jù)預(yù)處理模塊、算法模型模塊，如圖3所示。

圖3 平臺(tái)功能架構(gòu)圖

3.1 主題管理模塊

主題管理主要為解決數(shù)據(jù)安全性而設(shè)計(jì)的，數(shù)據(jù)分析人員基于業(yè)務(wù)對(duì)主題進(jìn)行描述，選擇相應(yīng)數(shù)據(jù)源，最終確定主題，每個(gè)主題對(duì)應(yīng)一套針對(duì)自己業(yè)務(wù)的數(shù)據(jù)集以及數(shù)據(jù)處理流程。由于同一數(shù)據(jù)分析人員業(yè)務(wù)背景相同，其分析不同的主題可能用到相同的數(shù)據(jù)，而不同的數(shù)據(jù)分析人員可能用到相同的算法模型，主題管理模塊便于對(duì)數(shù)據(jù)分析人員復(fù)用權(quán)限的管理，復(fù)用權(quán)限表如表1所示。

同一用戶可構(gòu)建不同主題，主題之間可共享數(shù)據(jù)源、數(shù)據(jù)半自動(dòng)處理流程、數(shù)據(jù)半自動(dòng)化處理結(jié)果以及該用戶所有模型；不同用戶之間可共享公開的數(shù)據(jù)模型。這就避免了重復(fù)上傳數(shù)據(jù)和重復(fù)構(gòu)建數(shù)據(jù)預(yù)處理過程，同時(shí)也便于用戶管理自己的模型。

表1 復(fù)用權(quán)限表

3.2 數(shù)據(jù)探索模塊

主題分析中，數(shù)據(jù)分析人員需根據(jù)數(shù)據(jù)特征的分布來判定如何對(duì)數(shù)據(jù)進(jìn)行預(yù)處理、選擇什么樣的特征以及如何構(gòu)建合適模型，當(dāng)加載數(shù)據(jù)源后，針對(duì)不同數(shù)據(jù)類型，數(shù)據(jù)分析人員往往看重的分析的指標(biāo)又不盡相同。此時(shí)，該模塊可根據(jù)數(shù)據(jù)列類型給出基本的數(shù)據(jù)描述字段，數(shù)據(jù)列類型主要包括離散型和數(shù)值型，對(duì)不同類型可展示數(shù)據(jù)分析人員關(guān)心的指標(biāo)。離散型主要展示頻次、數(shù)據(jù)條數(shù)、空值個(gè)數(shù)等統(tǒng)計(jì)描述，同時(shí)以柱狀圖、餅圖、表格等可視化手段進(jìn)行輔助展示；數(shù)值型主要展示標(biāo)準(zhǔn)差、均值、最大值、最小值、四分位點(diǎn)、中位數(shù)、總條數(shù)、空值個(gè)數(shù)等統(tǒng)計(jì)描述，以盒圖、折線圖等圖表進(jìn)行輔助展示。該模塊可使數(shù)據(jù)分析人員更清楚地認(rèn)識(shí)數(shù)據(jù)，為數(shù)據(jù)預(yù)處理和模型構(gòu)建做準(zhǔn)備。

3.3 數(shù)據(jù)預(yù)處理模塊

數(shù)據(jù)預(yù)處理模塊可對(duì)待分析數(shù)據(jù)進(jìn)行半自動(dòng)化預(yù)處理，之所以稱為半自動(dòng)化預(yù)處理，主要是由于數(shù)據(jù)處理與業(yè)務(wù)緊密結(jié)合，而該平臺(tái)又可構(gòu)建不同業(yè)務(wù)的主題，由于無法學(xué)習(xí)各個(gè)主題對(duì)應(yīng)的業(yè)務(wù)背景，系統(tǒng)只能通過數(shù)據(jù)分布提出相應(yīng)的數(shù)據(jù)處理建議，處理建議最終執(zhí)行權(quán)交給數(shù)據(jù)分析人員來判定。如平臺(tái)對(duì)某一列給出填充的建議，但具體填充0、最大值還是最小值，則需要數(shù)據(jù)分析人員結(jié)合業(yè)務(wù)來確認(rèn)。

該模塊主要包含數(shù)據(jù)清理、數(shù)據(jù)集成、數(shù)據(jù)規(guī)約、數(shù)據(jù)變換4個(gè)功能，功能結(jié)構(gòu)圖如圖4所示。

圖4 數(shù)據(jù)預(yù)處理模塊

數(shù)據(jù)清洗主要包括對(duì)缺失值的處理，可按照行、列來區(qū)分，通過后臺(tái)程序制定的策略算法，根據(jù)缺失值的缺失程度給出相應(yīng)處理操作建議；數(shù)據(jù)集成主要包括冗余特征發(fā)現(xiàn)與多表合并，冗余特征發(fā)現(xiàn)主要找出冗余的特征并建議刪除，如果是離散型則使用卡方檢驗(yàn)算法求相似度，如果是數(shù)值型則使用皮爾遜相關(guān)系數(shù)求相似度；數(shù)據(jù)規(guī)約包括維度規(guī)約和數(shù)據(jù)離散化，維度歸約主要通過特征選擇或特征提取來減少數(shù)據(jù)集中的維數(shù)（變量）數(shù)量，而不會(huì)顯著損失信息，而數(shù)據(jù)離散化主要是將連續(xù)屬性的特征切分為若干“段”來減少給定連續(xù)屬性值的個(gè)數(shù)；數(shù)據(jù)變換主要實(shí)現(xiàn)屬性構(gòu)造，可以選擇多個(gè)屬性并構(gòu)建新屬性的公式，并通過后臺(tái)程序識(shí)別公式進(jìn)行新屬性的構(gòu)造。

為避免對(duì)同一數(shù)據(jù)源進(jìn)行重復(fù)的數(shù)據(jù)預(yù)處理操作，平臺(tái)可記錄數(shù)據(jù)預(yù)處理過程，并將新的數(shù)據(jù)預(yù)處理結(jié)果記錄到版本庫(kù)中供數(shù)據(jù)分析人員直接使用。如圖5所示。對(duì)于同一數(shù)據(jù)集，平臺(tái)可記錄不同的數(shù)據(jù)預(yù)處理過程并將最終的預(yù)處理結(jié)果存儲(chǔ)為相應(yīng)版本。數(shù)據(jù)分析人員可重用數(shù)據(jù)處理操作并可基于現(xiàn)有版本庫(kù)對(duì)數(shù)據(jù)繼續(xù)進(jìn)行預(yù)處理。

圖5 歷史版本庫(kù)操作

3.4 算法模型模塊

數(shù)據(jù)分析人員可以通過該模塊進(jìn)行算法模型的定義并上傳已實(shí)現(xiàn)的算法模型文件，其余數(shù)據(jù)分析人員可輸入指定的參數(shù)來調(diào)用模型，最終平臺(tái)按照輸出類型將結(jié)果輸出。

數(shù)據(jù)分析人員可上傳自定義模型，其中模型名稱以及相應(yīng)的參數(shù)字段約定如表2所示。

表2 算法模型上傳字段約定

當(dāng)調(diào)用模型時(shí)需要利用算法引擎進(jìn)行處理，其中算法引擎設(shè)計(jì)如圖6所示。數(shù)據(jù)分析人員通過API或交互平臺(tái)來構(gòu)建輸入?yún)?shù)，主要包括選用的模型、模型類型、模型的相應(yīng)參數(shù)以及選擇的數(shù)據(jù)。算法引擎通過輸入?yún)?shù)來加載算法模型和數(shù)據(jù)，首先通過依賴包調(diào)用引擎判斷是否已加載所有的包，如果沒有，則加載相應(yīng)的包；根據(jù)數(shù)據(jù)存儲(chǔ)位置（本地存儲(chǔ)或集群存儲(chǔ)）來加載數(shù)據(jù)。當(dāng)兩者均準(zhǔn)備就緒后，根據(jù)模型類型選擇SparkMLlib或單機(jī)算法調(diào)用引擎來進(jìn)行模型運(yùn)算；將執(zhí)行結(jié)果返回到模型輸出引擎，該引擎通過判斷模型輸出類型（字典、數(shù)組或json字符串）將結(jié)果輸出到平臺(tái)。

圖6 算法引擎設(shè)計(jì)圖

4 平臺(tái)實(shí)現(xiàn)與應(yīng)用

4.1 平臺(tái)實(shí)現(xiàn)

大數(shù)據(jù)分析平臺(tái)涉及大量的數(shù)據(jù)處理，而目前數(shù)據(jù)分析挖掘中較常使用Python語言，同時(shí)有大量的數(shù)據(jù)操作基礎(chǔ)庫(kù)是基于Python開發(fā)的，因此選用Python作為大數(shù)據(jù)分析平臺(tái)的主要開發(fā)語言。

平臺(tái)選擇基于Python的Web框架，這有利于與底層語言的結(jié)合?？紤]到Django具有文檔最完善、強(qiáng)大的URL路由配置、容易數(shù)據(jù)遷移等特點(diǎn)，最終選擇Django框架作為平臺(tái)的Web框架。

前臺(tái)展示以Bootstrap作為前端框架、Echarts作為圖表展示、Jquery Ajax異步請(qǐng)求與后臺(tái)action進(jìn)行交互。底層以MySQL數(shù)據(jù)庫(kù)作為大數(shù)據(jù)分析平臺(tái)的信息存儲(chǔ)數(shù)據(jù)庫(kù)、以Hadoop HDFS集群作為大數(shù)據(jù)存儲(chǔ)、以Spark MLlib算法庫(kù)作為大數(shù)據(jù)分析平臺(tái)的算法庫(kù)。

整體技術(shù)架構(gòu)可將系統(tǒng)分為不同的邏輯塊，通過相應(yīng)的組件相互訪問，如圖7所示。其中展示層只接受Json格式數(shù)據(jù)，可作為API供第三方或Web直接解析；ORM可將關(guān)系型數(shù)據(jù)庫(kù)和業(yè)務(wù)實(shí)體進(jìn)行映射供控制層直接使用；由于涉及到大數(shù)據(jù)的分布式存儲(chǔ)，本平臺(tái)需利用python進(jìn)行HDFS的訪問，可利用pyhdfs對(duì)HDFS內(nèi)容進(jìn)行操作；同理，對(duì)于大數(shù)據(jù)算法模型的計(jì)算，可利用pyspark與Spark對(duì)接進(jìn)行操作。這種方式將數(shù)據(jù)訪問和邏輯操作進(jìn)行分離，增強(qiáng)了系統(tǒng)的復(fù)用性及系統(tǒng)的擴(kuò)展性，同時(shí)也大大降低了應(yīng)用系統(tǒng)開發(fā)和維護(hù)的成本。

圖7 各層間訪問接口

4.2 平臺(tái)的部署

平臺(tái)部署環(huán)境如表3所示，Web服務(wù)器僅負(fù)責(zé)維護(hù)平臺(tái)系統(tǒng)，配置相對(duì)較低。平臺(tái)使用Hadoop2．7．0以及Spark1．6．1構(gòu)建的16個(gè)節(jié)點(diǎn)集群對(duì)數(shù)據(jù)進(jìn)行存儲(chǔ)和計(jì)算，配置相對(duì)較高，可根據(jù)業(yè)務(wù)需求對(duì)硬件進(jìn)行調(diào)整。該平臺(tái)部署在linux系統(tǒng)中，需安裝表3所示的Python包用于數(shù)據(jù)處理及集群的操作。

4.3 應(yīng)用案例

以2016年電網(wǎng)大數(shù)據(jù)助力2016CCF大數(shù)據(jù)競(jìng)賽的兩個(gè)分析主題為例，一個(gè)為客戶畫像；另一個(gè)為客戶用電異常行為分析。

表3 平臺(tái)所需軟硬件環(huán)境

客戶畫像以電力用戶的95598工單數(shù)據(jù)、電量電費(fèi)營(yíng)銷數(shù)據(jù)等為基礎(chǔ)，綜合分析電費(fèi)敏感客戶特征，建立客戶電費(fèi)敏感度模型，對(duì)電費(fèi)敏感用戶的敏感程度進(jìn)行量化評(píng)判，幫助供電企業(yè)快速、準(zhǔn)確的識(shí)別電費(fèi)敏感客戶，從而對(duì)應(yīng)地提供有針對(duì)性的電費(fèi)、電量提醒等精細(xì)化用電服務(wù)?？蛻粲秒姰惓Ｐ袨榉治龌趪?guó)家電網(wǎng)公司提供的關(guān)于用戶用電量、電能表停走、電流失流、計(jì)量門打開燈計(jì)量異常情況、竊電行為等相關(guān)數(shù)據(jù)，以及經(jīng)過現(xiàn)場(chǎng)電工人員現(xiàn)場(chǎng)確認(rèn)的竊電用戶清單，希望參賽者利用大數(shù)據(jù)分析算法與技術(shù)，發(fā)現(xiàn)竊電用戶的行為特征，形成竊電用戶行為畫像，準(zhǔn)確識(shí)別竊電用戶，以幫助系統(tǒng)更快速、準(zhǔn)確地識(shí)別竊電用戶，提高竊電監(jiān)測(cè)效率，降低竊電損失。其中應(yīng)收電費(fèi)信息部分信息如表4所示，各列代表含義分別為應(yīng)收年月、用戶編號(hào)、供電單位編號(hào)、用戶類別、用電類別、電費(fèi)金額、總電量，其余信息數(shù)據(jù)格式與之類似，在此不展開詳述。

盡管兩者屬于同一行業(yè)不同主題分析，但分析步驟相同。

客戶畫像的一種分析步驟如下：將現(xiàn)有數(shù)據(jù)按照用戶編號(hào)進(jìn)行合并，根據(jù)業(yè)務(wù)對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，構(gòu)建相關(guān)特征，利用Kmeans算法或其余聚類算法對(duì)用戶進(jìn)行群分，利用決策樹算法或其余分類算法構(gòu)建評(píng)價(jià)模型對(duì)客戶構(gòu)建評(píng)價(jià)標(biāo)簽，利用該標(biāo)構(gòu)建用戶畫像。

客戶用電異常行為的一種分析步驟如下：將現(xiàn)有數(shù)據(jù)按照用戶編號(hào)進(jìn)行合并，根據(jù)業(yè)務(wù)對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，構(gòu)建相關(guān)特征，利用決策樹算法或其余分類算法構(gòu)建用電行為識(shí)別模型，利用該模型識(shí)別異?？蛻簟?/p>

表4 應(yīng)收電費(fèi)信息表數(shù)據(jù)展示

由于兩個(gè)主題會(huì)用到相同的數(shù)據(jù)，如用電客戶信息、電能表相關(guān)信息、電量相關(guān)信息；同時(shí)兩者會(huì)用到相同的算法模型，如決策樹算法，因此可以利用該系統(tǒng)進(jìn)行數(shù)據(jù)數(shù)據(jù)處理的重用及模型的重用。

4.3.1 客戶畫像

（1）基于平臺(tái)創(chuàng)建客戶畫像主題，上傳相應(yīng)數(shù)據(jù)并進(jìn)行數(shù)據(jù)展示與描述，如圖8所示，其中字符型可看到頻次最高列、頻次、數(shù)據(jù)總條數(shù)、空值個(gè)數(shù)、非空個(gè)數(shù)；數(shù)值型可看到類型、標(biāo)準(zhǔn)差、均值、最小值等數(shù)據(jù)分布。

圖8 數(shù)據(jù)描述

（2）數(shù)據(jù)預(yù)處理。根據(jù)平臺(tái)給出的對(duì)行和列的處理建議，數(shù)據(jù)分析人員可進(jìn)行數(shù)據(jù)預(yù)處理操作，平臺(tái)默認(rèn)將數(shù)據(jù)處理記錄到版本庫(kù)中，這樣就能保證當(dāng)該數(shù)據(jù)源再次被用到時(shí)，其數(shù)據(jù)處理過程可被復(fù)用。如圖9所示，系統(tǒng)根據(jù)各列數(shù)據(jù)的分布，給出刪除和填充的建議，并給出理由，當(dāng)缺失率高達(dá)80%時(shí)，建議刪除，存在部分缺失值時(shí)建議填充，同時(shí)給出數(shù)據(jù)的分布，便于數(shù)據(jù)分析人員結(jié)合業(yè)務(wù)選擇填充的具體值。

圖9 針對(duì)于列的預(yù)處理

（3）算法模塊的構(gòu)建。該主題需要構(gòu)建決策樹算法模型，如圖10所示，數(shù)據(jù)分析人員輸入算法模塊名稱，算法描述，選擇模塊類型為單機(jī)-分類算法，選擇公開可被其余用戶調(diào)用，上傳算法文件并配置輸入輸出參數(shù)。

圖10 構(gòu)建決策樹模型

4.3.2 客戶用電異常行為分析

（1）基于平臺(tái)創(chuàng)建客戶用電異常行為主題，選擇已存在的數(shù)據(jù)源，避免重復(fù)上傳數(shù)據(jù)，該主題復(fù)用了客戶畫像主題中的用戶基本信息，電量信息等數(shù)據(jù)源。

（2）選擇數(shù)據(jù)源時(shí)可選擇相應(yīng)的版本以及相應(yīng)的數(shù)據(jù)處理操作進(jìn)行數(shù)據(jù)處理的重用。如圖11所示，用戶基本信息目前有4個(gè)版本，每個(gè)版本記錄詳細(xì)的數(shù)據(jù)處理過程，可直接使用v2版本的數(shù)據(jù)集，同時(shí)也可以應(yīng)用該版本下的某個(gè)操作。

圖11 重用數(shù)據(jù)預(yù)處理模型

（3）該主題直接復(fù)用客戶畫像主題構(gòu)建的決策樹算法，避免了算法模型的重寫，利用已構(gòu)建好的特征及客戶異常預(yù)測(cè)目標(biāo)進(jìn)行決策樹模型訓(xùn)練，選擇相應(yīng)的訓(xùn)練集和測(cè)試集，最終返回一個(gè)json字符串顯示預(yù)測(cè)結(jié)果，其中1代表竊電用戶，0代表正常用戶，預(yù)測(cè)準(zhǔn)確度約為0．802。決策樹算法模型復(fù)用和預(yù)測(cè)結(jié)果分別如圖12和圖13所示。

圖12 決策樹模型調(diào)用

圖13 決策樹預(yù)測(cè)結(jié)果

客戶用電異常行為分析主題重用了客戶畫像主題的用戶基本信息數(shù)據(jù)、預(yù)處理結(jié)果及處理過程，減少了數(shù)據(jù)分析人員重復(fù)上傳相同數(shù)據(jù)并進(jìn)行數(shù)據(jù)預(yù)處理的操作。同時(shí)，客戶用電異常行為分析主題重用了客戶畫像的決策樹算法模型，避免了數(shù)據(jù)分析人員對(duì)同一種算法的重復(fù)構(gòu)建，實(shí)現(xiàn)了算法模型的重用?；谠撈脚_(tái)實(shí)現(xiàn)的兩個(gè)主題有力地證明了數(shù)據(jù)重用、預(yù)處理過程重用及算法模型重用的可行性。

5 結(jié) 語

通過構(gòu)建通用大數(shù)據(jù)分析平臺(tái)初步解決了數(shù)據(jù)以及模型的復(fù)用，對(duì)大數(shù)據(jù)分析流程、大數(shù)據(jù)存儲(chǔ)技術(shù)、大數(shù)據(jù)算法庫(kù)等技術(shù)展開研究，對(duì)主題模塊、數(shù)據(jù)探索模塊、數(shù)據(jù)預(yù)處理模塊、大數(shù)據(jù)分析算法模塊進(jìn)行了詳細(xì)設(shè)計(jì)，提出了相應(yīng)的數(shù)據(jù)清洗策略、數(shù)據(jù)集成策略、數(shù)據(jù)規(guī)約策略、數(shù)據(jù)變換策略，制定了算法自定義規(guī)范并設(shè)計(jì)了算法引擎。借助平臺(tái)對(duì)真實(shí)數(shù)據(jù)集數(shù)據(jù)進(jìn)行了分析和展示，對(duì)該數(shù)據(jù)的處理和分析過程及結(jié)果證明了數(shù)據(jù)重用、預(yù)處理過程重用及模型重用的可行性，減少了數(shù)據(jù)分析人員在主題分析中的重復(fù)操作，有利于企業(yè)在較短的時(shí)間內(nèi)構(gòu)建多個(gè)主題分析，幫助企業(yè)提高主題分析效率，以便其更加快速、科學(xué)地做出業(yè)務(wù)決策。

·名人名言·

任何人都承認(rèn)實(shí)驗(yàn)是科學(xué)之母，這是確定不移的真理，誰也不會(huì)否認(rèn)。

——米丘林