PYSPARK大数据分析与应用

第 1章PySpark大数据分析概述 1
1.1　大数据分析概述　1
1.1.1　大数据的概念　2
1.1.2　大数据分析的概念　3
1.1.3　大数据分析的流程　4
1.1.4　大数据分析的应用场景　6
1.1.5　大数据技术体系　6
1.2　Spark大数据技术框架　10
1.2.1　Spark 简介　10
1.2.2　Spark 特点　11
1.2.3　Spark运行架构与流程　11
1.2.4　Spark RDD　14
1.2.5　Spark 生态圈　20
1.3　PySpark大数据分析　21
1.3.1　PySpark 简介　21
1.3.2　PySpark 子模块　22
小结　25
课后习题　26 第　2章 PySpark安装配置　27
2.1　搭建单机模式的PySpark开发
环境　28
2.1.1　安装 JDK　28
2.1.2　安装 Anaconda　28
2.1.3　安装 Hadoop　30
2.1.4　安装 MySQL　36
2.1.5　安装 Hive　37
2.1.6　配置 PySpark 模块　43
2.1.7　运行 Jupyter Notebook　44
2.2　搭建分布式模式的PySpark开发
环境　45
2.2.1　安装配置虚拟机　46
2.2.2　安装 Java　53
2.2.3　搭建Hadoop分布式集群　58
2.2.4　安装MySQL数据库　62
2.2.5　安装Hive数据仓库工具　63
2.2.6　搭建Spark完全分布式集群　66
2.2.7　安装 PyCham　69
2.2.8　安装Python解释器及PySpark 模块　69
2.3　Python函数式编程　69
2.3.1　Python常用数据结构　70
2.3.2　Python函数式编程基础　75
小结　76
课后习题　76 第　3 章 基于 PySpark 的 DataFrame 操作　78
3.1　Spark SQL 概述　78
3.1.1　Spark SQL起源与发展历程　79
3.1.2　Spark SQL 主要功能　79
3.1.3　Spark SQL数据核心抽象 DataFrame　80
3.2　pyspark.sql 模块　82
3.2.1　pyspark. sql 模块简介　82
3.2.2　pyspark. sql 模块核心类　83
3.3　DataFrame 基础操作　85
3.3.1　创建 DataFrame 对象　86
332　DataFrame 操作　93
3.3.3　DataFrame 输出操作　113
小结　114
实训　114
实训1网站搜索热词统计分析　114
实训2大数据岗位招聘信息统计分析　…115
课后习题　116 第4章　基于PySpark的流式数据
处理　118
4.1　Spark Streaming 概述　119
4.1.1　流计算简介　119
4.1.2　Spark Streaming 基本概念　121
4.1.3　Spark Streaming 工作原理　121
4.1.4　Spark Streaming 运行机制　122
4.2　pyspark.streaming 模块　123
4.2.1　pyspark. streaming 模块简介　123
4.2.2　pyspark. streaming 模块核心类　124
4.2.3　DStream 基础操作　126
4.3　Structured Streaming 结构化流 处理　146
4.3.1　Structured Streaming 概述　146
4.3.2　Structured Streaming 编程模型　147
4.3.3　Structured Streaming 基础操作　148
4.3.4　Structured Streaming 编程步骤　152
小结　155
实训　155
实训1使用Spark　Streaming实现菜品价格
实时计算　155
实训2使用Spark　Streaming实时判别车辆 所属地　156
课后习题　156 第5章　基于PySpark的机器
学习库　158
5.1　MLlib 算法　159
5.1.1　机器学习　159
5.1.2　MLlib　159
5.1.3　pyspark.ml 模块　159
5.2　使用pyspark.ml模块的转换器处理
和转换数据　162
5.2.1　数据加载及数据集划分　162
5.2.2　数据降维　164
5.2.3　数据标准化　166
5.2.4　数据类型转换　171
5.3　pyspark.ml模块的评估器和模型 评估　175
5.3.1　使用PySpark构建并评估分类 模型　175
5.3.2　使用PySpark构建并评估回归 模型　182
5.3.3　使用PySpark构建并评估聚类 模型　186
5.3.4　使用PySpark构建并评估智能推荐
模型　189
小结　195
实训　195
实训1使用随机森林模型预测是否批准　用户申请　195
实训2使用回归模型实现房价预测………196
课后习题　197 第6章　案例分析：基于PySpark的网络 招聘信息的职业类型划分 ……199
6.1　需求与架构分析　200
6.1.1　业务需求分析与技术选型　200
6.1.2　系统架构分析　200
6.2　数据探索　201
6.2.1　数据说明　202
6.2.2　数据读取　202
6.2.3　重复数据与空值探索　204
6.2.4　异常数据探索　205
6.3　数据预处理　207
6.3.1　数据清洗　207
6.3.2　中文分词与去停用词　208
6.3.3　词特征向量化　210
6.4　模型构建与评估　213
6.4.1　LDA算法简介　214
6.4.2　LDA模型构建与评估　215
6.4.3　构建LDA模型　217
6.5　制作词云图　220
小结　225 第7章　案例分析：基于PySpark的
信用贷款风险分析　226
7.1　需求与架构分析　227
7.1.1　业务需求分析　227
7.1.2　系统架构分析　227
7.2　数据探索　228
7.2.1　数据说明　228
7.2.2　建立数据仓库并导入数据　230
7.2.3　用户信息完善情况与逾期率的关系
探索　233
7.2.4　用户信息修改情况与逾期率的关系
探索　236
7.2.5　用户借款月份与逾期率的关系
探索　240
7.3　数据预处理　243
7.3.1　计算用户信息缺失个数及借款月份
构建新特征　243
7.3.2　用户更新信息重建　245
7.3.3　用户登录信息重建　250
7.3.4　分类数据预处理　255
7.3.5　字符串字段编码处理　259
7.3.6　分类数据重编码　263
7.3.7　缺失值处理　265
7.4　模型构建与评估　267
7.4.1　了解 GBTs 算法　267
7.4.2　构建 GBTs 模型　268
7.4.3　评估 GBTs 模型　271
7.5　部署和提交PySpark应用程序…271
7.5.1　打包PySpark应用程序　271
7.5.2　提交PySpark应用程序　274
小结　275
参考文献　276