《Python Spark 2.0 Hadoop机器学习与大数据实战_林大贵(著)》pdf

古城微笑少年丶 2022-01-12 04:41 467阅读 0赞

# 《Python+Spark 2.0+Hadoop机器学习与大数据实战》 #

五星好评+强烈推荐的一本书，虽然内容可能没有很深入，但作者非常用心的把每一步操作详细的列出来并给出说明，让我们跟着做的时候非常有信心，没有出现奇奇怪怪的报错，没有不知道为啥就是进行不下去的情况。这本书用实例告诉你spark，hdfs的基础使用和操作方法，让你快速入门，懂得操作。后面再进行针对性的入门和进阶，就会非常顺手。非常好的一本书⭐⭐⭐⭐⭐

### 百度网盘链接: https://pan.baidu.com/s/1XO1r5tblEDsjjYUvfvTPew 提取码: canq ###

[ ][Link 1]

出版社: 清华大学出版社  
页数: 519  
定价: 99  
ISBN: 9787302490739

豆瓣评分:**8.1**

## 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

转载于:https://juejin.im/post/5d071f49518825166f36bc9f

[Link 1]: https://link.juejin.im?target=https%3A%2F%2Fimg3.doubanio.com%2Fview%2Fsubject%2Fl%2Fpublic%2Fs29759914.jpg