编辑推荐
1.Hadoop集群安装与分散式运算和存储介绍通过实机操作，学会如何安装Virtual Box、Ubuntu Linux、Hadoop单机与多台机器集群安装，并学会使用HDFS分散式存储与MapReduce分散式运算。2.Python Spark 2.0安装通过实机操作，学会安装Spark 2.0，并在本机与多台机器集群执行Python Spark应用程序。同时介绍如何在iPython Notebook互动界面执行Python Spark指令。安装eclipse整合开发界面，开发Python Spark应用程序，大幅提升程序开发生产力。3.Python Spark SQL、DataFrame数据统计与数据可视化Spark SQL 即使非程序设计人员，只需要懂得SQL语法，就可以使用。DataFrame API 可使用类SQL的方法，如select()、groupby()、count()，很容易进行统计，大幅降低大数据分析的学习门槛。Spark DataFrame可转换为Pandas DataFrame，运用Python丰富的数据可视化组件(例如matplotlib)进行数据可视化。4.Python Spark MLlib机器学习以大数据分析实际案例MoiveLens、StumbleUpon、CovType、BikeSharing介绍如何使用Python Spark运用机器学习演算法进行数据处理、训练、建立模型、训练验证找出*模型、预测结果。5.Python Spark ML Pipeline机器学习流程以大数据实际案例示范使用Python Spark ML Pipeline机器学习流程进行二元分类、多元分类、回归分析，将机器学习的每一个步骤建立成Pipeline流程：数据处理 →运算法训练数据→建立模型→找出*模型→预测结果。Spark ML Pipeline 通过内建数据处理模块与机器学习运算法，减轻数据分析师在程序设计上的负担。
内容简介
本书从浅显易懂的“大数据和机器学习”原理说明入手，讲述大数据和机器学习的基本概念，如分类、分析、训练、建模、预测、机器学习(推荐引擎)、机器学习(二元分类)、机器学习(多元分类)、机器学习(回归分析)和数据可视化应用等。书中不仅加入了新近的大数据技术，还丰富了“机器学习”内容。 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。
作者简介
林大贵,从事IT行业多年，在系统设计、网站开发、数字营销、商业智慧、大数据、机器学习等领域具有丰富的实战经验。
目 录
目 录
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HadoopResource-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 NodeCluster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NameNodeHDFS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HadoopMulti-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 HDFSWeb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SparkStandalone Cluster运行环境 165
8.9 在SparkStandalone运行pyspark 171
8.10 Spark Web UI界面 173
8.11 结论 175
第9章 在 IPythonNotebook 运行 Python Spark 程序 176
9.1 安装Anaconda 177
9.2 在IPythonNotebook使用Spark 180
9.3 打开IPythonNotebook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IPythonNotebook 188
9.7 使用IPythonNotebook在Hadoop YARN-client模式运行 189
9.8 使用IPythonNotebook在Spark Stand Alone模式运行 192
9.9 整理在不同的模式运行IPythonNotebook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 415
18.6 以 RMSE 评估模型准确率 416
18.7 训练评估找出最好的参数组合 417
18.8 使用训练完成的模型预测数据 417
18.9 运行RunDecisionTreeMulti.py进行参数评估 419
18.10 运行RunDecisionTreeMulti.py训练评估参数并找出最好的参数组合 421
18.11 运行RunDecisionTreeMulti.py 不进行训练评估 422
18.12 结论 424
第19章 Python Spark SQL、DataFrame、RDD数据统计与可视化 425
19.1 RDD、DataFrame、Spark SQL 比较 426
19.2 创建RDD、DataFrame与Spark SQL 427
19.2.1 在 local 模式运行 IPython Notebook 427
19.2.2 创建RDD 427
19.2.3 创建DataFrame 428
19.2.4 设置 IPython Notebook 字体 430
19.2.5 为DataFrame 创建别名 431
19.2.6 开始使用 Spark SQL 431
19.3 SELECT显示部分字段 434
19.3.1 使用 RDD 选取显示部分字段 434
19.3.2 使用 DataFrames 选取显示字段 434
19.3.3 使用 Spark SQL 选取显示字段 435
19.4 增加计算字段 436
19.4.1 使用 RDD 增加计算字段 436
19.4.2 使用 DataFrames 增加计算字段 436
19.4.3 使用 Spark SQL 增加计算字段 437
19.5 筛选数据 438
19.5.1 使用 RDD 筛选数据 438
19.5.2 使用 DataFrames 筛选数据 438
19.5.3 使用 Spark SQL 筛选数据 439
19.6 按单个字段给数据排序 439
19.6.1 RDD 按单个字段给数据排序 439
19.6.2 使用 Spark SQL排序 440
19.6.3 使用 DataFrames按升序给数据排序 441
19.6.4 使用 DataFrames按降序给数据排序 442
19.7 按多个字段给数据排序 442
19.7.1 RDD 按多个字段给数据排序 442
19.7.2 Spark SQL 按多个字段给数据排序 443
19.7.3 DataFrames 按多个字段给数据排序 443
19.8 显示不重复的数据 444
19.8.1 RDD 显示不重复的数据 444
19.8.2 Spark SQL 显示不重复的数据 445
19.8.3 Dataframes显示不重复的数据 445
19.9 分组统计数据 446
19.9.1 RDD 分组统计数据 446
19.9.2 Spark SQL分组统计数据 447
19.9.3 Dataframes分组统计数据 448
19.10 Join 联接数据 450
19.10.1 创建 ZipCode 450
19.10.2 创建 zipcode_tab 452
19.10.3 Spark SQL 联接 zipcode_table 数据表 454
19.10.4 DataFrame user_df 联接 zipcode_df 455
19.11 使用 Pandas DataFrames 绘图 457
19.11.1 按照不同的州统计并以直方图显示 457
19.11.2 按照不同的职业统计人数并以圆饼图显示 459
19.12 结论 461
第20章 Spark ML Pipeline 机器学习流程二元分类 462
20.1 数据准备 464
20.1.1 在 local 模式执行 IPython Notebook 464
20.1.2 编写 DataFrames UDF 用户自定义函数 466
20.1.3 将数据分成 train_df 与 test_df 468
20.2 机器学习pipeline流程的组件 468
20.2.1 StringIndexer 468
20.2.2 OneHotEncoder 470
20.2.3 VectorAssembler 472
20.2.4 使用 DecisionTreeClassi?er 二元分类 474
20.3 建立机器学习pipeline流程 475
20.4 使用pipeline进行数据处理与训练 476
20.5 使用pipelineModel 进行预测 477
20.6 评估模型的准确率 478
20.7 使用TrainValidation进行训练验证找出最佳模型 479
20.8 使用crossValidation交叉验证找出最佳模型 481
20.9 使用随机森林 RandomForestClassi?er分类器 483
20.10 结论 485
第21章 Spark ML Pipeline 机器学习流程多元分类 486
21.1 数据准备 487
21.1.1 读取文本文件 488
21.1.2 创建 DataFrame 489
21.1.3 转换为 double 490
21.2 建立机器学习pipeline流程 492
21.3 使用dt_pipeline进行数据处理与训练 493
21.4 使用pipelineModel 进行预测 493
21.5 评估模型的准确率 495
21.4 使用TrainValidation进行训练验证找出最佳模型 496
21.7 结论 498
第22章 Spark ML Pipeline 机器学习流程回归分析 499
22.1 数据准备 501
22.1.1 在local 模式执行 IPython Notebook 501
22.1.2 将数据分成 train_df 与 test_df 504
22.2 建立机器学习pipeline流程 504
22.3 使用dt_pipeline进行数据处理与训练 506
22.4 使用pipelineModel 进行预测 506
22.5 评估模型的准确率 507
22.6 使用TrainValidation进行训练验证找出最佳模型 508
22.7 使用crossValidation进行交叉验证找出最佳模型 510
22.8 使用GBT Regression 511
22.9 结论 513
附录A 本书范例程序下载与安装说明 514
A.1 下载范例程序 515
A.2 打开本书IPythonNotebook范例程序 516
A.3 打开 eclipsePythonProject 范例程序 518
前 言
机器学习是近二十来年兴起的多领域学科，机器学习算法可从数据中建立模型，并利用模型对未知数据进行预测。机器学习技术不断进步，应用相当广泛，例如推荐引擎、定向广告、需求预测、垃圾邮件过滤、医学诊断、自然语言处理、搜索引擎、诈骗侦测、证券分析、视觉辨识、语音识别、手写识别等。
近年来Google、Facebook、Microsoft、IBM等大公司全力投入机器学习研究与应用。以Google 为例，Google 已经将机器学习运用到垃圾邮件判断、自动回复、照片分类与搜索、翻译、语音识别等功能上。同时，各大主流Hadoop发行版公司加强了对机器学习的投入，比如Cloudera对spark ml的完整支持、星环科技基于Spark自主研发的机器学习产品Discover。在不知不觉中，机器学习已经让日常生活更为便利。
为什么近年来机器学习变得如此热门，各大公司都争相投入？因为机器学习需要大量数据进行训练。大数据的兴起带来了大量的数据以及可存储大量数据的分布式存储技术，例如Hadoop HDFS、NoSQL……还有分布式计算可进行大量运算，例如 Spark 基于内存的分布式计算框架/架构，可以大幅提升性能。
本书的主题是Python Spark Hadoop 机器学习与大数据分析。使用Python 开发Spark 应用程序，具有多重优势：不仅可以享有Python 语言特性所带来的好处，即程序代码简明、较易学习、高生产力等，再加上Spark 基于内存的分布式计算框架/架构，还可以大幅提升性能，非常适合需要多次重复运算的机器学习算法，并且Spark 还可以存取 Hadoop HDFS 分布式存储的大量数据。
本书希望能够用浅显易懂的原理介绍和说明以及上机实践操作、范例程序来降低机器学习与大数据技术的学习门槛，带领读者进入机器学习和大数据的领域。当然，整个机器学习与大数据的生态系统非常庞大，需要学习的东西很多。读者通过本书学习，对机器学习和数据有了基本的概念后就比较容易踏入这个领域了，以便深入研究其他的相关技术。
