機器學習實例：Spark與Python結(jié)合設計

時間：2020-07-27 19:09:01

關鍵字： python spark 機器學習

手機看文章

掃描二維碼
隨時隨地手機看文章

[導讀] 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、機器學習等領域最廣泛使用的編程語言之一。如果想要獲得更棒的機器學習能力，為什么不將Spark和Python一起

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、機器學習等領域最廣泛使用的編程語言之一。如果想要獲得更棒的機器學習能力，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)的用于實時處理的開源集群計算框架。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。

強大的緩存：簡單的編程層提供強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行部署。

實時：內(nèi)存計算，實時計算且低延遲。

Polyglot：這是該框架最重要的特性之一，因為它可以在Scala，Java，Python和R中編程。

雖然Spark是在Scala中設計的，但它的速度比Python快10倍，但只有當使用的內(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，由于其語法和標準庫豐富，Python相對來說更容易學習。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現(xiàn)機器學習和NLP。此外，Scala 缺乏數(shù)據(jù)可視化。

使用Python設置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來實現(xiàn)。PySpark Shell將Python API鏈接到Spark Core并初始化Spark Context。SparkContext是Spark應用程序的核心。

Spark Context設置內(nèi)部服務并建立到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)所有分布式進程并允許進行資源分配。

集群管理器執(zhí)行程序，它們是具有邏輯的JVM進程。

Spark Context對象將應用程序發(fā)送給執(zhí)行者。

Spark Context在每個執(zhí)行器中執(zhí)行任務。

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，因為原始數(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

假設我們要計算我們在數(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。

計數(shù)：

現(xiàn)在我們可以計算出新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。我們可以按如下進行，這里我們使用line.split()和map()。