# 加载SparkR包

library(SparkR)

# 初始化 Spark context

sc <- sparkR.init(master="host:7077"

                  ,sparkEnvir=list(spark.executor.memory="1g",spark.cores.max="10"))

# 从HDFS上读取文件

lines <- textFile(sc, "集群ip:端口/tmp/sparkR_test.txt")

# 按分隔符拆分每一行为多个元素，这里返回一个序列

words<-flatMap(lines,function(line) {strsplit(line,"\\|")[[1]]})

# 使用 lapply 来定义对应每一个RDD元素的运算，这里返回一个（K，V)对

wordCount <-lapply(words, function(word) { list(word, 1L) })

# 对（K，V）对进行聚合计算

counts<-reduceByKey(wordCount,"+",2L)

# 以数组的形式，返回数据集的所有元素

output <- collect(counts)

# 按格式输出结果

for (wordcount in output) {

  cat(wordcount[[1]], ": ", wordcount[[2]], "\n")

}

# 加载SparkR包

library(SparkR)

# 初始化 Spark context

sc <- sparkR.init(master="host:7077",

                  appName=‘sparkr_logistic_regression‘,

                  sparkEnvir=list(spark.executor.memory=‘1g‘,

                                  spark.cores.max="10"))

# 从hdfs上读取txt文件， 该RDD由spark集群的4个分区构成

input_rdd <- textFile(sc,

 "hdfs://集群ip:端口/user/payton/german.data-numeric.txt",

minSplits=4)

# 解析每个RDD元素的文本（在每个分区上并行）

dataset_rdd <- lapplyPartition(input_rdd, function(part) {

  part <- lapply(part, function(x) unlist(strsplit(x, ‘\\s‘)))

  part <- lapply(part, function(x) as.numeric(x[x != ‘‘]))

  part

})

# 我们需要把数据集dataset_rdd分割为训练集（train）和测试集（test）两部分，这里

# ptest为测试集的样本比例，如取ptest=0.2，即取dataset_rdd的20%样本数作为测试

# 集，80%的样本数作为训练集

split_dataset <- function(rdd, ptest) {

  #以输入样本数ptest比例创建测试集RDD

  data_test_rdd <- lapplyPartition(rdd, function(part) {

    part_test <- part[1:(length(part)*ptest)]

    part_test

  })

  # 用剩下的样本数创建训练集RDD

  data_train_rdd <- lapplyPartition(rdd, function(part) {

    part_train <- part[((length(part)*ptest)+1):length(part)]

    part_train

  })

  # 返回测试集RDD和训练集RDD的列表

  list(data_test_rdd, data_train_rdd)

}

# 接下来我们需要转化数据集为R语言的矩阵形式，并增加一列数字为1的截距项，

# 将输出项y标准化为0/1的形式

get_matrix_rdd <- function(rdd) {

  matrix_rdd <- lapplyPartition(rdd, function(part) {

    m <- matrix(data=unlist(part, F, F), ncol=25, byrow=T)

    m <- cbind(1, m)

    m[,ncol(m)] <- m[,ncol(m)]-1

    m

  })

  matrix_rdd

}

# 由于该训练集中y的值为1与0的样本数比值为7:3，所以我们需要平衡1和0的样本

# 数，使它们的样本数一致

balance_matrix_rdd <- function(matrix_rdd) {

  balanced_matrix_rdd <- lapplyPartition(matrix_rdd, function(part) {

    y <- part[,26]

    index <- sample(which(y==0),length(which(y==1)))

    index <- c(index, which(y==1))

    part <- part[index,]

    part

  })

  balanced_matrix_rdd

}

# 分割数据集为训练集和测试集

dataset <- split_dataset(dataset_rdd, 0.2)

# 创建测试集RDD

matrix_test_rdd <- get_matrix_rdd(dataset[[1]])

# 创建训练集RDD

matrix_train_rdd <- balance_matrix_rdd(get_matrix_rdd(dataset[[2]]))

# 将训练集RDD和测试集RDD放入spark分布式集群内存中

cache(matrix_test_rdd)

cache(matrix_train_rdd)

# 初始化向量theta

theta<- runif(n=25, min = -1, max = 1)

# logistic函数

hypot <- function(z) {

  1/(1+exp(-z))

}

# 损失函数的梯度计算

gCost <- function(t,X,y) {

  1/nrow(X)*(t(X)%*%(hypot(X%*%t)-y))

}

# 定义训练函数

train <- function(theta, rdd) {

  # 计算梯度

  gradient_rdd <- lapplyPartition(rdd, function(part) {

    X <- part[,1:25]

    y <- part[,26]

    p_gradient <- gCost(theta,X,y)

    list(list(1, p_gradient))

  })

  agg_gradient_rdd <- reduceByKey(gradient_rdd, ‘+‘, 1L)

  # 一次迭代聚合输出

  collect(agg_gradient_rdd)[[1]][[2]]

}

# 由梯度下降算法优化损失函数

# alpha ：学习速率

# steps ：迭代次数

# tol ：收敛精度

alpha <- 0.1

tol <- 1e-4

step <- 1

while(T) {

  cat("step: ",step,"\n")

  p_gradient <- train(theta, matrix_train_rdd)

  theta <- theta-alpha*p_gradient

  gradient <- train(theta, matrix_train_rdd)

  if(abs(norm(gradient,type="F")-norm(p_gradient,type="F"))<=tol) break

  step <- step+1

}

# 用训练好的模型预测测试集信贷评测结果（“good”或“bad”），并计算预测正确率

test <- lapplyPartition(matrix_test_rdd, function(part) {

         X <- part[,1:25]

         y <- part[,26]

         y_pred <- hypot(X%*%theta)

         result <- xor(as.vector(round(y_pred)),as.vector(y))

})

result<-unlist(collect(test))

corrects = length(result[result==F])

wrongs = length(result[result==T])

cat("\ncorrects: ",corrects,"\n")

cat("wrongs: ",wrongs,"\n")

cat("accuracy: ",corrects/length(y_pred),"\n")