查看“Spark电影推荐”的源代码

==准备工作==
导入项目到PyCharm

 File -> Open

配置编译环境

 File ->Setting -> Project code -> Project Interpreter ,右边的齿轮 -> ADD 
 C:\Users\Administrator\AppData\Local\Programs\Python\Python36\python.exe

安装程序所需的包

 在程序源文件中右击空白处 -> Run 
 查看错误提示，看看缺少什么包
 File ->Setting -> Project code -> Project Interpreter  -> Package List 右边的+号，缺少什么包就安装什么包

==图像分割实验==
*[[图片分割实验]]

==协同过滤实验==
*[[协同过滤算法]]

==用户画像练习==


=== 从京东那里爬取商品评论 ===


 www.bejson.com


=== 对评论进行中文分词、去停用词 ===



=== 计算TF-IDF词频并应用K-均值聚类算法 ===
TF-IDF的全称是Term Frequency-Inverse Document Frequency，翻译过来就是“词频-逆文本频率”。TF容易理解，即一个文本中各个词出现的频率统计。IDF反映了一个词在所有文本中出现的频率，能够反映词语的重要性，举个例子来说明IDF，有如下语料：

 <nowiki>corpus=["I come to China to travel", 
       "This is a car polupar in China",          
       "I love tea and Apple ",   
       "The work is to write some papers in science"]</nowiki>

上面的4个文本中几乎都出现了to、is、and，词频虽然高，但是重要性却没有China、Apple高。所以，若一个词出现在很多文本中，它的IDF值应当低，若一个词出现在比较少的文本中，它的IDF应当高。最后的TF-IDF值等于TF与IDF相乘。总的来说，TF-IDF就是从两个方面对文本中的词进行加权：①词在当前文本中出现的次数；②总文本数包含词的数目。

具体实现方法：为每一行建立一个10000个元素的数组，以统计每个词出现的次数

===安装SPARK、Hadoop===

 <nowiki>1、安装JAVA1.8   cmd中 java -version查看java版本

2、下载并安装spark 2.3.1
https://www.apache.org/dyn/closer.lua/spark/spark-2.3.1/spark-2.3.1-bin-hadoop2.7.tgz
环境变量 
SPARK_HOME = F:\spark-2.3.1-bin-hadoop2.7
Path添加 %SPARK_HOME%/bin

3、下载并安装hadoop
https://archive.apache.org/dist/hadoop/common/hadoop-2.7.6/
环境变量 
HADOOP_HOME = F:\hadoop-2.7.6\hadoop-2.7.6
Path添加 %HADOOP_HOME%/bin

4、pip install py4j

5、Pycharm => Run => Edit Configurations => Environment Variables => SPARK_HOME = F:\spark-2.3.1-bin-hadoop2.7
								     HADOOP_HOME = F:\hadoop-2.7.6\hadoop-2.7.6

6、复制F:\spark-2.3.1-bin-hadoop2.7\spark-2.3.1-bin-hadoop2.7\python\pyspark 到C:\Python36\Lib\site-packages中

7、将winutils.exe复制到F:\hadoop-2.7.6\hadoop-2.7.6\bin下</nowiki>