PySpark实战指南：利用Python和Spark构建数据密集型应用并规模化部署

图书标准信息

• 作者 [美]托马兹·卓巴斯 丹尼·李（Tomasz Drabas）
• 出版社 机械工业出版社
• 出版时间 2017-11
• 版次 1
• ISBN 9787111582380
• 定价 49.00元
• 装帧 其他
• 开本 16开
• 纸张 胶版纸
• 页数 186页
• 字数 130千字

【内容简介】

本文从Spark的基本特点出发，借助大量例子详细介绍了如何使用Python调用Spark新特性、处理结构化及非结构化数据、使用PySpark中基本可用数据类型、生成机器学习模型、进行图像操作以及阅读串流数据等新兴技术内容。

【目录】

Contents?目　　录

译者序

序

前言

关于作者

第1章　了解Spark  1

1.1　什么是Apache Spark  1

1.2　Spark作业和API  2

1.2.1　执行过程  2

1.2.2　弹性分布式数据集  3

1.2.3　DataFrame  4

1.2.4　Dataset  5

1.2.5　Catalyst优化器  5

1.2.6　钨丝计划  5

1.3　Spark 2.0的架构  6

1.3.1　统一Dataset和DataFrame  7

1.3.2　SparkSession介绍  8

1.3.3　Tungsten Phase 2  8

1.3.4　结构化流  10

1.3.5　连续应用  10

1.4　小结  11

第2章　弹性分布式数据集  12

2.1　RDD的内部运行方式  12

2.2　创建RDD  13

2.2.1　Schema   14

2.2.2　从文件读取  14

2.2.3　Lambda表达式  15

2.3　全局作用域和局部作用域  16

2.4　转换  17

2.4.1　.map(...)转换  17

2.4.2　.filter(...)转换  18

2.4.3　.flatMap(...)转换  18

2.4.4　.distinct(...)转换  18

2.4.5　.sample(...)转换  19

2.4.6　.leftOuterJoin(...)转换  19

2.4.7　.repartition(...)转换  20

2.5　操作  20

2.5.1　.take(...)方法  21

2.5.2　.collect(...)方法  21

2.5.3　.reduce(...)方法  21

2.5.4　.count(...)方法  22

2.5.5　.saveAsTextFile(...)方法  22

2.5.6　.foreach(...)方法  23

2.6　小结  23

第3章　DataFrame  24

3.1　Python到RDD之间的通信  24

3.2　Catalyst优化器刷新  25

3.3　利用DataFrame加速PySpark  27

3.4　创建DataFrame  28

3.4.1　生成自己的JSON数据  29

3.4.2　创建一个DataFrame  29

3.4.3　创建一个临时表  30

3.5　简单的DataFrame查询  31

3.5.1　DataFrame API查询  32

3.5.2　SQL查询  32

3.6　RDD的交互操作  33

3.6.1　使用反射来推断模式  33

3.6.2　编程指定模式  34

3.7　利用DataFrame API查询  35

3.7.1　行数  35

3.7.2　运行筛选语句  35

3.8　利用SQL查询  36

3.8.1　行数  36

3.8.2　利用where子句运行筛选语句   36

3.9　DataFrame场景——实时飞行性能  38

3.9.1　准备源数据集  38

3.9.2　连接飞行性能和机场  39

3.9.3　可视化飞行性能数据  40

3.10　Spark数据集（Dataset）API  41

3.11　小结  42

第4章　准备数据建模  43

4.1　检查重复数据、未观测数据和异常数据（离群值）  43

4.1.1　重复数据  43

4.1.2　未观测数据  46

4.1.3　离群值  50

4.2　熟悉你的数据   51

4.2.1　描述性统计  52

4.2.2　相关性  54

4.3　可视化  55

4.3.1　直方图  55

4.3.2　特征之间的交互  58

4.4　小结  60

第5章　 MLlib介绍  61

5.1　包概述  61

5.2　加载和转换数据  62

5.3　了解你的数据  65

5.3.1　描述性统计  66

5.3.2　相关性  67

5.3.3　统计测试  69

5.4　创建最终数据集  70

5.4.1　创建LabeledPoint形式的RDD  70

5.4.2　分隔培训和测试数据  71

5.5　预测婴儿生存机会  71

5.5.1　MLlib中的逻辑回归  71

5.5.2　只选择最可预测的特征  72

5.5.3　MLlib中的随机森林  73

5.6　小结  74

第6章　ML包介绍  75

6.1　包的概述  75

6.1.1　转换器  75

6.1.2　评估器  78

6.1.3　管道  80

6.2　使用ML预测婴儿生存几率  80

6.2.1　加载数据  80

6.2.2　创建转换器  81

6.2.3　创建一个评估器  82

6.2.4　创建一个管道  82

6.2.5　拟合模型  83

6.2.6　评估模型的性能  84

6.2.7　保存模型  84

6.3　超参调优  85

6.3.1　网格搜索法  85

6.3.2　Train-validation 划分  88

6.4　使用PySpark ML的其他功能  89

6.4.1　特征提取  89

6.4.2　分类  93

6.4.3　聚类  95

6.4.4　回归  98

6.5　小结  99

第7章　GraphFrames  100

7.1　GraphFrames介绍  102

7.2　安装GraphFrames  102

7.2.1　创建库  103

7.3　准备你的航班数据集  105

7.4　构建图形  107

7.5　执行简单查询  108

7.5.1　确定机场和航班的数量  108

7.5.2　确定这个数据集中的最长延误时间  108

7.5.3　确定延误和准点/早到航班的数量对比  109

7.5.4　哪一班从西雅图出发的航班最有可能出现重大延误  109

7.5.5　西雅图出发到哪个州的航班最有可能出现重大延误  110

7.6　理解节点的度  110

7.7　确定最大的中转机场  112

7.8　理解Motif  113

7.9　使用PageRank确定机场排名  114

7.10　确定最受欢迎的直飞航班  115

7.11　使用广度优先搜索  116

7.12　使用D3将航班可视化  118

7.13　小结  119

第8章　TensorFrames  120

8.1　深度学习是什么  120

8.1.1　神经网络和深度学习的必要性  123

8.1.2　特征工程是什么  125

8.1.3　桥接数据和算法  125

8.2　TensorFlow是什么  127

8.2.1　安装PIP  129

8.2.2　安装TensorFlow   129

8.2.3　使用常量进行矩阵乘法  130

8.2.4　使用placeholder进行矩阵乘法  131

8.2.5　讨论  132

8.3　TensorFrames介绍  133

8.4　TensorFrames快速入门  134

8.4.1　配置和设置  134

8.4.2　使用TensorFlow向已有列添加常量  136

8.4.3　Blockwise reducing操作示例  137

8.5　小结  139

第9章　使用Blaze实现混合持久化