YL12874  9787302490739 9787302479673

Python+Spark 2.0+Hadoop机器学习与大数据实战

为降低读者学习大数据技术的门槛，书中提供了丰富的上机实践操作和范例程序详解，展示了如何在单机Windows系统上通过Virtual Box虚拟机安装多机Linux虚拟机，如何建立Hadoop集群，再建立Spark开发环境。书中介绍搭建的上机实践平台并不限制于单台实体计算机。对于有条件的公司和学校，参照书中介绍的搭建过程，同样可以实现将自己的平台搭建在多台实体计算机上，以便更加接近于大数据和机器学习真实的运行环境。

本书非常适合于学习大数据基础知识的初学者阅读，更适合正在学习大数据理论和技术的人员作为上机实践用的教材。

第1章  Python Spark机器学习与Hadoop大数据 1

1.1  机器学习的介绍 2

1.2  Spark的介绍 5

1.3  Spark数据处理 RDD、DataFrame、Spark SQL 7

1.4  使用Python开发 Spark机器学习与大数据应用 8

1.5  Python Spark 机器学习 9

1.6  Spark ML Pipeline机器学习流程介绍 10

1.7  Spark 2.0的介绍 12

1.8  大数据定义 13

1.9  Hadoop 简介 14

1.10  Hadoop HDFS分布式文件系统 14

1.11  Hadoop MapReduce的介绍 17

1.12  结论 18

第2章  VirtualBox虚拟机软件的安装 19

2.1  VirtualBox的下载和安装 20

2.2  设置VirtualBox存储文件夹 23

2.3  在VirtualBox创建虚拟机 25

2.4  结论 29

第3章  Ubuntu Linux 操作系统的安装 30

3.1  Ubuntu Linux 操作系统的安装 31

3.2  在Virtual设置Ubuntu虚拟光盘文件 33

3.3  开始安装Ubuntu 35

3.4  启动Ubuntu 40

3.5  安装增强功能 41

3.6  设置默认输入法 45

3.7  设置“终端”程序 48

3.8  设置“终端”程序为白底黑字 49

3.9  设置共享剪贴板 50

3.10  设置最佳下载服务器 52

3.11  结论 56

第4章  Hadoop Single Node Cluster的安装 57

4.1  安装JDK 58

4.2  设置SSH无密码登录 61

4.3  下载安装Hadoop 64

4.4  设置Hadoop环境变量 67

4.5  修改Hadoop配置设置文件 69

4.6  创建并格式化HDFS目录 73

4.7  启动Hadoop 74

4.8  打开Hadoop Resource-Manager Web界面 76

4.9  NameNode HDFS Web界面 78

4.10  结论 79

第5章  Hadoop Multi Node Cluster的安装 80

5.1  把Single Node Cluster复制到data1 83

5.2  设置VirtualBox网卡 84

5.3  设置data1服务器 87

5.4  复制data1服务器到data2、data3、master 94

5.5  设置data2服务器 97

5.6  设置data3服务器 100

5.7  设置master服务器 102

5.8  master连接到data1、data2、data3 创建HDFS目录 107

5.9  创建并格式化NameNode HDFS目录 110

5.10  启动Hadoop Multi Node Cluster 112

5.11  打开Hadoop ResourceManager Web界面 114

5.12  打开NameNode Web界面 115

5.13  停止Hadoop Multi Node Cluster 116

5.14  结论 116

第 6 章  Hadoop HDFS命令 117

6.1  启动Hadoop Multi-Node Cluster 118

6.2  创建与查看HDFS目录 120

6.3  从本地计算机复制文件到HDFS 122

6.4  将HDFS上的文件复制到本地计算机 127

6.5  复制与删除HDFS文件 129

6.6  在Hadoop HDFS Web用户界面浏览HDFS 131

6.7  结论 134

第7章  Hadoop MapReduce 135

7.1  简单介绍WordCount.java 136

7.2  编辑WordCount.java 137

7.3  编译WordCount.java 141

7.4  创建测试文本文件 143

7.5  运行WordCount.java 145

7.6  查看运行结果 146

7.7  结论 147

第8章  Python Spark的介绍与安装 148

8.1  Scala的介绍与安装 150

8.2  安装Spark 153

8.3  启动pyspark交互式界面 156

8.4  设置pyspark显示信息 157

8.5  创建测试用的文本文件 159

8.6  本地运行pyspark程序 161

8.7  在Hadoop YARN运行pyspark 163

8.8  构建Spark Standalone Cluster运行环境 165

8.9  在Spark Standalone运行pyspark 171

8.10  Spark Web UI界面 173

8.11  结论 175

第9章  在 IPython Notebook 运行 Python Spark 程序 176

9.1  安装Anaconda 177

9.2  在IPython Notebook使用Spark 180

9.3  打开IPython Notebook笔记本 184

9.4  插入程序单元格 185

9.5  加入注释与设置程序代码说明标题 186

9.6  关闭IPython Notebook 188

9.7  使用IPython Notebook在Hadoop YARN-client模式运行 189

9.8  使用IPython Notebook在Spark Stand Alone模式运行 192

9.9  整理在不同的模式运行IPython Notebook的命令 194

9.9.1  在 Local 启动 IPython Notebook 195

9.9.2  在Hadoop YARN-client 模式启动 IPython Notebook 195

9.9.3  在Spark Stand Alone 模式启动 IPython Notebook 195

9.10  结论 196

第10章  Python Spark RDD 197

10.1  RDD的特性 198

10.2  开启IPython Notebook 199

10.3  基本RDD“转换”运算 201

10.4  多个RDD“转换”运算 206

10.5  基本“动作”运算 208

10.6  RDD Key-Value 基本“转换”运算 209

10.7  多个RDD Key-Value“转换”运算 212

10.8  Key-Value“动作”运算 215

10.9  Broadcast 广播变量 217

10.10  accumulator累加器 220

10.11  RDD Persistence持久化 221

10.12  使用Spark创建WordCount 223

10.13  Spark WordCount详细解说 226

10.14  结论 228

第11章  Python Spark的集成开发环境 229

11.1  下载与安装eclipse Scala IDE 232

11.2  安装PyDev 235

11.3  设置字符串替代变量 240

11.4  PyDev 设置 Python 链接库 243

11.5  PyDev设置anaconda2链接库路径 245

11.6  PyDev设置Spark Python链接库 247

11.7  PyDev设置环境变量 248

11.8  新建PyDev项目 251

11.9  加入WordCount.py程序 253

11.10  输入WordCount.py程序 254

11.11  创建测试文件并上传至HDFS目录 257

11.12  使用spark-submit执行WordCount程序 259

11.13  在Hadoop YARN-client上运行WordCount程序 261

11.14  在Spark Standalone Cluster上运行WordCount程序 264

11.15  在eclipse外部工具运行Python Spark程序 267

11.16  在eclipse运行spark-submit YARN-client 273

11.17  在eclipse运行spark-submit Standalone 277

11.18  结论 280

第12章  Python Spark创建推荐引擎 281

12.1  推荐算法介绍 282

12.2  “推荐引擎”大数据分析使用场景 282

12.3  ALS推荐算法的介绍 283

12.4  如何搜索数据 285

12.5  启动IPython Notebook 289

12.6  如何准备数据 290

12.7  如何训练模型 294

12.8  如何使用模型进行推荐 295

12.9  显示推荐的电影名称 297

12.10  创建Recommend项目 299

12.11  运行RecommendTrain.py 推荐程序代码 302

12.12  创建Recommend.py推荐程序代码 304

12.13  在eclipse运行Recommend.py 307

12.14  结论 310

第13章  Python Spark MLlib决策树二元分类 311

13.1  决策树介绍 312

13.2  “StumbleUpon Evergreen”大数据问题 313

13.2.1  Kaggle网站介绍 313

13.2.2  “StumbleUpon Evergreen”大数据问题场景分析 313

13.3  决策树二元分类机器学习 314

13.4  如何搜集数据 315

13.4.1  StumbleUpon数据内容 315

13.4.2  下载 StumbleUpon 数据 316

13.4.3  用LibreOffice Calc 电子表格查看train.tsv 319

13.4.4  复制到项目目录 322

13.5  使用IPython Notebook示范 323

13.6  如何进行数据准备 324

13.6.1  导入并转换数据 324

13.6.2  提取 feature 特征字段 327

13.6.3  提取分类特征字段 328

13.6.4  提取数值特征字段 331

13.6.5  返回特征字段 331

13.6.6  提取 label 标签字段 331

13.6.7  建立训练评估所需的数据 332

13.6.8  以随机方式将数据分为 3 部分并返回 333

13.6.9  编写 PrepareData(sc) 函数 333

13.7  如何训练模型 334

13.8  如何使用模型进行预测 335

13.9  如何评估模型的准确率 338

13.9.1  使用 AUC 评估二元分类模型 338

13.9.2  计算 AUC 339

13.10  模型的训练参数如何影响准确率 341

13.10.1  建立 trainEvaluateModel 341

13.10.2  评估impurity参数 343

13.10.3  训练评估的结果以图表显示 344

13.10.4  编写 evalParameter 347

13.10.5  使用 evalParameter 评估 maxDepth 参数 347

13.10.6  使用 evalParameter 评估 maxBins 参数 348

13.11  如何找出准确率最高的参数组合 349

13.12  如何确认是否过度训练 352

13.13  编写RunDecisionTreeBinary.py程序 352

13.14  开始输入RunDecisionTreeBinary.py程序 353

13.15  运行RunDecisionTreeBinary.py 355

13.15.1  执行参数评估 355

13.15.2  所有参数训练评估找出最好的参数组合 355

13.15.3  运行 RunDecisionTreeBinary.py 不要输入参数 357

13.16  查看DecisionTree的分类规则 358

13.17  结论 360

第14章  Python Spark MLlib 逻辑回归二元分类 361

14.1  逻辑回归分析介绍 362

14.2  RunLogisticRegression WithSGDBinary.py程序说明 363

14.3  运行RunLogisticRegression WithSGDBinary.py进行参数评估 367

14.4  找出最佳参数组合 370

14.5  修改程序使用参数进行预测 370

14.6  结论 372

第15章  Python Spark MLlib支持向量机SVM二元分类 373

15.1  支持向量机SVM算法的基本概念 374

15.2  运行SVMWithSGD.py进行参数评估 376

15.3  运行SVMWithSGD.py 训练评估参数并找出最佳参数组合 378

15.4  运行SVMWithSGD.py 使用最佳参数进行预测 379

15.5  结论 381

第16章  Python Spark MLlib朴素贝叶斯二元分类 382

16.1  朴素贝叶斯分析原理的介绍 383

16.2  RunNaiveBayesBinary.py程序说明 384

16.3  运行NaiveBayes.py进行参数评估 386

16.4  运行训练评估并找出最好的参数组合 387

16.5  修改RunNaiveBayesBinary.py 直接使用最佳参数进行预测 388

16.6  结论 390

第17章  Python Spark MLlib决策树多元分类 391

17.1  “森林覆盖植被”大数据问题分析场景 392

17.2  UCI Covertype数据集介绍 393

17.3  下载与查看数据 394

17.4  修改PrepareData() 数据准备 396

17.5  修改trainModel 训练模型程序 398

17.6  使用训练完成的模型预测数据 399

17.7  运行RunDecisionTreeMulti.py 进行参数评估 401

17.8  运行RunDecisionTreeMulti.py 训练评估参数并找出最好的参数组合 403

17.9  运行RunDecisionTreeMulti.py 不进行训练评估 404

17.10  结论 406

第18章  Python Spark MLlib决策树回归分析 407

18.1  Bike Sharing大数据问题分析 408

18.2  Bike Sharing数据集 409

18.3  下载与查看数据 409

18.4  修改 PrepareData() 数据准备 412

18.5  修改DecisionTree.trainRegressor训练模型 4 Python+Spark 2.0+Hadoop机器学习与大数据实战+生态系统操作与实战指 电子书 下载 mobi epub pdf txt