機(jī)器學(xué)習(xí)實(shí)例：Spark與Python結(jié)合設(shè)計(jì)

Apache Spark是處理和使用大數(shù)據(jù)最廣泛的框架之一，Python是數(shù)據(jù)分析、機(jī)器學(xué)習(xí)等領(lǐng)域最廣泛使用的編程語言之一。如果想要獲得更棒的機(jī)器學(xué)習(xí)能力，為什么不將Spark和Python一起使用呢?

在國外，Apache Spark開發(fā)人員的平均年薪為110,000美元。毫無疑問，Spark在這個行業(yè)中被廣泛使用。由于其豐富的庫集，Python也被大多數(shù)數(shù)據(jù)科學(xué)家和分析專家使用。二者集成也并沒有那么困難，Spark用Scala語言開發(fā)，這種語言與Java非常相似。它將程序代碼編譯為用于Spark大數(shù)據(jù)處理的JVM字節(jié)碼。為了集成Spark和Python，Apache Spark社區(qū)發(fā)布了PySpark。

Apache Spark是Apache Software FoundaTIon開發(fā)的用于實(shí)時處理的開源集群計(jì)算框架。Spark提供了一個接口，用于編程具有隱式數(shù)據(jù)并行和容錯功能的整個集群。

下面是Apache Spark的一些特性，它比其他框架更具優(yōu)勢：

速度：比傳統(tǒng)的大型數(shù)據(jù)處理框架快100倍。

強(qiáng)大的緩存：簡單的編程層提供強(qiáng)大的緩存和磁盤持久性功能。

部署：可以通過Mesos、Yarn或Spark自己的集群管理器進(jìn)行部署。

實(shí)時：內(nèi)存計(jì)算，實(shí)時計(jì)算且低延遲。

Polyglot：這是該框架最重要的特性之一，因?yàn)樗梢栽赟cala，Java，Python和R中編程。

雖然Spark是在Scala中設(shè)計(jì)的，但它的速度比Python快10倍，但只有當(dāng)使用的內(nèi)核數(shù)量少時，Scala才會體現(xiàn)出速度優(yōu)勢。由于現(xiàn)在大多數(shù)分析和處理都需要大量內(nèi)核，因此Scala的性能優(yōu)勢并不大。

對于程序員來說，由于其語法和標(biāo)準(zhǔn)庫豐富，Python相對來說更容易學(xué)習(xí)。而且，它是一種動態(tài)類型語言，這意味著RDD可以保存多種類型的對象。

盡管Scala擁有SparkMLlib，但它沒有足夠的庫和工具來實(shí)現(xiàn)機(jī)器學(xué)習(xí)和NLP。此外，Scala 缺乏數(shù)據(jù)可視化。

使用Python設(shè)置Spark(PySpark)

首先要下載Spark并安裝，一旦你解壓縮了spark文件，安裝并將其添加到 .bashrc文件路徑中，你需要輸入source .bashrc

要打開PySpark shell，需要輸入命令./bin/pyspark

PySpark SparkContext和數(shù)據(jù)流

用Python來連接Spark，可以使用RD4s并通過庫Py4j來實(shí)現(xiàn)。PySpark Shell將Python API鏈接到Spark Core并初始化Spark Context。SparkContext是Spark應(yīng)用程序的核心。

Spark Context設(shè)置內(nèi)部服務(wù)并建立到Spark執(zhí)行環(huán)境的連接。

驅(qū)動程序中的Spark Context對象協(xié)調(diào)所有分布式進(jìn)程并允許進(jìn)行資源分配。

集群管理器執(zhí)行程序，它們是具有邏輯的JVM進(jìn)程。

Spark Context對象將應(yīng)用程序發(fā)送給執(zhí)行者。

Spark Context在每個執(zhí)行器中執(zhí)行任務(wù)。

PySpark KDD用例

現(xiàn)在讓我們來看一個用例：數(shù)據(jù)來源為KDD'99 Cup(國際知識發(fā)現(xiàn)和數(shù)據(jù)挖掘工具競賽，國內(nèi)也有類似的競賽開放數(shù)據(jù)集，比如知乎)。這里我們將取數(shù)據(jù)集的一部分，因?yàn)樵紨?shù)據(jù)集太大。

創(chuàng)建RDD：

現(xiàn)在我們可以使用這個文件來創(chuàng)建我們的RDD。

過濾

假設(shè)我們要計(jì)算我們在數(shù)據(jù)集中有多少正常的相互作用。，可以按如下過濾我們的raw_data RDD。

計(jì)數(shù)：

現(xiàn)在我們可以計(jì)算出新RDD中有多少元素。

輸出：

制圖：

在這種情況下，我們想要將數(shù)據(jù)文件作為CSV格式文件讀取。我們可以通過對RDD中的每個元素應(yīng)用lambda函數(shù)。如下所示，這里我們將使用map()和take()轉(zhuǎn)換。

輸出:

拆分：

現(xiàn)在，我們希望將RDD中的每個元素都用作鍵值對，其中鍵是標(biāo)記(例如正常值)，值是表示CSV格式文件中行的整個元素列表。 我們可以按如下進(jìn)行，這里我們使用line.split()和map()。

輸出:

收集：

使用collect()動作，將RDD所有元素存入內(nèi)存。因此，使用大型RDD時必須小心使用。

輸出:

當(dāng)然，這比我們之前的任何操作花費(fèi)的時間都要長。每個具有RDD片段的Spark工作節(jié)點(diǎn)都必須進(jìn)行協(xié)調(diào)，以便檢索其各部分內(nèi)容，然后將所有內(nèi)容集合到一起。

作為結(jié)合前面所有內(nèi)容的最后一個例子，我們希望收集所有常規(guī)交互作為鍵值對。

輸出: