Spark MLlib 入门学习笔记
来源:互联网 发布:js字符串true false 编辑:程序博客网 时间:2024/04/28 17:11
RDD(Resilient Distributed Datasets)分布式弹性数据集,将数据分布存储在不同节点的计算机内存中进行存储和处理。RDD的任务被分成两部分:Transformation和Action。Transformation用于对RDD的创建,即一个RDD转换为另一个RDD,Action是数据计算执行部分,如count、reduce、collect等。 Spark文档里有相关的说明,网上还有一个Spark文档的中文翻译,可以参考。从编程的角度来看,一开始把RDD当成一个数组,并记住它的运行任务由Transformation算子和Action算子共同完成,得到运算结果就好了。
以下是我在学习RDD时完成的一道练习题,通过这道练习,可以掌握RDD编程的基本思路和方法。
对机器学习数据iris.data数据集进行简单的处理,包括filter、count、distince和分类统计(求和、最大值、最小值和平均值)。
1. 数据说明
5.1,3.5,1.4,0.2,Iris-setosa4.9,3.0,1.4,0.2,Iris-setosa4.7,3.2,1.3,0.2,Iris-setosa4.6,3.1,1.5,0.2,Iris-setosa5.0,3.6,1.4,0.2,Iris-setosa第一个数据septal length;第二个数据sepal width;第三个数据petal length;第四个数据petal width;第五个数据class标签;在程序中用name表示,相当于key。
2.源代码
Iris.scala
package basic.iris/** * Created by Oliver on 2017/5/18. *///1. sepal length in cm//2. sepal width in cm//3. petal length in cm//4. petal width in cm//5. class:class Iris extends java.io.Serializable { var sl: Double = 0 var sw: Double = 0 var pl: Double = 0 var pw: Double = 0 var sl_max: Double = 0 var sw_max: Double = 0 var pl_max: Double = 0 var pw_max: Double = 0 var sl_min: Double = 0 var sw_min: Double = 0 var pl_min: Double = 0 var pw_min: Double = 0 var name: String ="" var count: Int = 1 override def toString : String = { var s = "(" + name + ", " s = s + "[ " + "%.1f".format(sl) + ", " + "%.1f".format(sl_min) + ", " + "%.1f".format(sl_max) + ", " + "%.1f".format(sl/count) + " ], " s = s + "[ " + "%.1f".format(sw) + ", " + "%.1f".format(sw_min) + ", " + "%.1f".format(sw_max) + ", " + "%.1f".format(sw/count) + " ], " s = s + "[ " + "%.1f".format(pl) + ", " + "%.1f".format(pl_min) + ", " + "%.1f".format(pl_max) + ", " + "%.1f".format(pl/count) + " ], " s = s + "[ " + "%.1f".format(pw) + ", " + "%.1f".format(pw_min) + ", " + "%.1f".format(pw_max) + ", " + "%.1f".format(pw/count) + " ], " s = s + count.toString + ")" return s }}IrisStat.scala
package basic.irisimport org.apache.spark.{SparkConf, SparkContext}/** * Created by Oliver on 2017/5/18. *///local//E:/MyProject/SparkDiscover/data/iris.dataobject IrisStat { def isValid(line: String): Boolean = { val parts = line.split(",") return parts.length == 5 } def parseLine(line: String): (String, Iris) = { val parts = line.split(",") val iris = new Iris iris.sl = parts(0).toDouble iris.sw = parts(1).toDouble iris.pl = parts(2).toDouble iris.pw = parts(3).toDouble iris.sl_min = parts(0).toDouble iris.sw_min = parts(1).toDouble iris.pl_min = parts(2).toDouble iris.pw_min = parts(3).toDouble iris.sl_max = parts(0).toDouble iris.sw_max = parts(1).toDouble iris.pl_max = parts(2).toDouble iris.pw_max = parts(3).toDouble iris.name = parts(4) return (iris.name, iris) } def add(a: Iris, b: Iris): Iris = { val c = new Iris c.sl = a.sl + b.sl c.sw = a.sw + b.sw c.pl = a.pl + b.pl c.pw = a.pw + b.pw c.count = a.count + b.count c.name = a.name //比较大小 c.sl_max = math.max(a.sl_max, b.sl_max) c.sw_max = math.max(a.sw_max, b.sw_max) c.pl_max = math.max(a.pl_max, b.pl_max) c.pw_max = math.max(a.pw_max, b.pw_max) c.sl_min = math.min(a.sl_min, b.sl_min) c.sw_min = math.min(a.sw_min, b.sw_min) c.pl_min = math.min(a.pl_min, b.pl_min) c.pw_min = math.min(a.pw_min, b.pw_min) return c } def printResult(res: (String, Iris)){ println(res._2) } def main(args: Array[String]){ val conf = new SparkConf().setMaster(args(0)).setAppName("Iris") val sc = new SparkContext(conf) val data = sc.textFile(args(1)).filter(isValid(_)) // distinct println("---1---------------------------") data.map(_.split(",")(4)).distinct().foreach(println) // 简单计数 val c = data.count() val c_setosa = data.filter( "Iris-setosa" == _.split(",")(4) ).count() val c_versicolor = data.filter( "Iris-versicolor" == _.split(",")(4) ).count() val c_virginica = data.filter( "Iris-virginica" == _.split(",")(4) ).count() println("") println("---2---------------------------") println(c, c_setosa, c_versicolor, c_virginica) // mapreduce 分组求和、求平均、求最大最小 //data.map(parseLine(_)).foreach(println) println("") println("---3---------------------------") data.map(parseLine(_)).reduceByKey(add(_,_)).collect().foreach(printResult) }}
3.运行配置
4. 运行结果
---1---------------------------Iris-setosaIris-versicolorIris-virginica---2---------------------------(150,50,50,50)---3---------------------------(Iris-setosa, [ 250.3, 4.3, 5.8, 5.0 ], [ 170.9, 2.3, 4.4, 3.4 ], [ 73.2, 1.0, 1.9, 1.5 ], [ 12.2, 0.1, 0.6, 0.2 ], 50)(Iris-versicolor, [ 296.8, 4.9, 7.0, 5.9 ], [ 138.5, 2.0, 3.4, 2.8 ], [ 213.0, 3.0, 5.1, 4.3 ], [ 66.3, 1.0, 1.8, 1.3 ], 50)(Iris-virginica, [ 329.4, 4.9, 7.9, 6.6 ], [ 148.7, 2.2, 3.8, 3.0 ], [ 277.6, 4.5, 6.9, 5.6 ], [ 101.3, 1.4, 2.5, 2.0 ], 50)5.代码说明
1)Iris.scala
Iris类存放数据文件的5个字段,当count为1是单个对象的数据,即数据文件的一行。当count大于1时,表示对多行数据的对应字段进行求和运算后的结果,count行计数,_min和_max字段存放的是对应字段的最小值和最大值。重载了toString输出结果。
2)IrisStat.scala
isValid用于判断数据是否是有效数据,无效则抛弃,完成一个RDD转换,相当于数据清洗。
parseLine解析数据,将字符串转换为对象,方便后续处理。
add执行运算,包括求和、计数、最大值和最小值,平均值在输出是用“和”除以“计数”就得到了。
main函数说明:
(1) data = sc.textFile(args(1)).filter(isValid(_)) 过滤无效数据,如果不过滤,只要数据集中有一行错误数据,程序就会出错,如混入一个空行。
(2) distinct ,map是用split得到第5个字段,然后对第5个字段应用distince就可以了。
(3) filter,输入过滤条件就可以了,然后在调用count计数。
(4)分组求和、最小值和最大值,调研map传人parseLine函数转换得到一个新数据集,这个数据集是(String, Iris)的<key, value>形式,再调用reduceByKey就实现了分组操作;在reduceByKey中传入add执行所定义的运行,调用collect返回数据集,用foreach打印结果。
(5)注意下划线,理解为要传入的数据就好了,如filter(isValid(_))中,filter把上一个map的数据通过_传给isValid。
- Spark MLlib 入门学习笔记
- Spark MLlib 入门学习笔记
- Spark MLlib 入门学习笔记
- Spark MLlib 入门学习笔记
- Spark MLlib 入门学习笔记
- Spark MLlib 入门学习笔记
- Spark MLlib 入门学习笔记
- Spark MLlib 入门学习笔记
- Spark MLlib 入门学习笔记
- Spark入门实战系列--8.Spark MLlib(下)--SparkMLlib实战 学习笔记
- <转>Spark 学习笔记:MLlib基础
- spark机器学习MLlib笔记(1)
- Spark MLlib 学习资料
- spark MLlib 学习
- spark MLlib 学习
- Spark MLlib学习笔记之二——Spark Mllib矩阵向量
- spark mllib 入门学习(一)--聚类算法
- Spark.MLlib之线性分类模型学习笔记
- USB HID 设备类协议入门
- NodeJS相关小问题
- Maven 本地仓库明明有jar包,但是pom文件还是报错解决办法
- 大数据,人工智能,深度学习,机器学习课程收集
- 语义分割--DeconvNet--Learning Deconvolution Network for Semantic Segmentation
- Spark MLlib 入门学习笔记
- Android 开发中的注意点
- Android-->友盟分享/登录快速集成库
- C#中的InitializeComponent()方法
- SpringMVC中出现" 400 Bad Request "错误(用@ResponseBody处理ajax传过来的json数据转成bean)的解决方法
- Hoeffding不等式
- mongodb+GridFS文件的上传下载删除
- 关于struts2下载文件后再跳传到别的Action的问题
- 华为机试:放苹果、字符统计