使用 Python+PySpark 做用户画像！越来越觉得互联网无隐私了！
一、数据准备
本文主要是作为一个PySpark的入手实例来做，数据来源网络。 主要用到两个数据文件： action.txt ， document.txt 。 下表为 action.txt ，数据格式： userid~docid~behaivor~time~ip ，即： 用户编码~文档编码~行为~日期~IP地址
下表为 document.txt ，数据格式： docid~channelname~source~keyword:score ，即： 文档编码~类别(大类)~主题(细类)~关键词： 权重
二、用户点击率
用户点击率即为 action.txt 文件中每个用户behaivor列中1的数量除以0的数量。
1、创建 SparkSession 对象
2、读取数据，将数据根据‘~’拆分，获取 userid 和 behavior 两列
click_rate1 数据如下：
3、统计用户的各类行为数
click_rate2 数据如下：
4、将 userid , behavior 和数量取出作为3列，并转为DataFrame格式
click_rate3_df 数据如下：
5、根据 userId 进行分组，将 behavior 列数据进行旋转作为列标数值为 cnt 。 并将 behavior 的0和1替换为 “browse” 和 ”click” 。
click_rate5 数据如下：
6、填充缺失值
click_rate6 数据如下：
7、将计算的数据作为新列添加到数据
click_rate 数据如下：
8、将最后处理的数据保存到本地，关闭SparkSession
最后保存到本地的数据为多个文件，每个文件的格式如下：
三、用户标签
使用主题(细类)给用户打标签
1、读取 docunment.txt ，获取 docid 、 source 两列，即文档编码和主题(细类)两列
sources_df 数据如下：
2、读取 action.txt ，只获取具有点击行为的 userid 和 docid 数据，即 behavior 为1的数据。
actions_df 数据如下：
3、创建两个DataFrame的临时视图
4、进行关联查询
interestTags 数据如下：
5、将最后处理的数据保存到本地，关闭SparkSession
导出后的数据如下：
踩雷点：
1、代码开发时，可以每个操作跟一个action，方便查看数据，跑批的时候不需要每个都跟，只需要最后一个action，否则会给机器增加很多工作量。
2、中间过程生成的DataFrame必须先建立临时视图，后面才能使用，否则会报错。
使用 Python+PySpark 做用户画像越来越觉得互联网无隐私了
