Spark高级数据分析（第2版）

Spark高级数据分析（第2版）

by Sandy Ryza, Uri Laserson, Sean Owen, Josh Wills
Released June 2018
Publisher(s): Posts & Telecom Press
ISBN: None

Read it now on the O’Reilly learning platform with a 10-day free trial.

O’Reilly members get unlimited access to books, live events, courses curated by job role, and more from O’Reilly and nearly 200 top publishers.

Start your free trial

Book description

作为计算框架，Spark速度快，开发简单，能同时兼顾批处理和实时数据分析，因此很快被广大企业级用户所采纳，并随着近年人工智能的崛起而成为分析和挖掘大数据的重要得力工具。

本书由业内知名数据科学家执笔，通过丰富的示例展示了如何结合Spark、统计方法和真实世界数据集来解决数据分析问题，既涉及模型的构建和评价，也涵盖数据清洗、数据预处理和数据探索，并描述了如何将结果变为生产应用，是运用Apache Spark进行大数据分析和处理的实战宝典。

第2版根据新版Spark最佳实践，对样例代码和所用资料做了大量更新。

本书涵盖模式如下：

  • 音乐推荐和Audioscrobbler数据集
  • 用决策树算法预测森林植被
  • 基于K均值聚类进行网络流量异常检测
  • 基于潜在语义算法分析维基百科
  • 用GraphX分析伴生网络
  • 对纽约出租车轨迹进行空间和时间数据分析
  • 通过蒙特卡罗模拟来评估金融风险
  • 基因数据分析和BDG项目
  • 用PySpark和Thunder分析神经图像数据

Table of contents

  1. 封面
  2. 扉页
  3. 版权
  4. 版权声明
  5. O’Reilly Media, Inc.介绍
  6. 目录
  7. 推荐序
  8. 译者序
  9. 序
  10. 前言
    1. 本书内容
    2. 第2版说明
    3. 使用代码示例
    4. O’Reilly Safari
    5. 联系我们
    6. 致谢
    7. 电子版
  11. 第1章 大数据分析
    1. 1.1 数据科学面临的挑战
    2. 1.2 认识Apache Spark
    3. 1.3 关于本书
    4. 1.4 第2版说明
  12. 第2章 用Scala和Spark进行数据分析
    1. 2.1 数据科学家的Scala
    2. 2.2 Spark编程模型
    3. 2.3 记录关联问题
    4. 2.4 小试牛刀：Spark shell和SparkContext
    5. 2.5 把数据从集群上获取到客户端
    6. 2.6 把代码从客户端发送到集群
    7. 2.7 从RDD到DataFrame
    8. 2.8 用DataFrame API来分析数据
    9. 2.9 DataFrame的统计信息
    10. 2.10 DataFrame的转置和重塑
    11. 2.11 DataFrame的连接和特征选择
    12. 2.12 为生产环境准备模型
    13. 2.13 评估模型
    14. 2.14 小结
  13. 第3章 音乐推荐和Audioscrobbler数据集
    1. 3.1 数据集
    2. 3.2 交替最小二乘推荐算法
    3. 3.3 准备数据
    4. 3.4 构建第一个模型
    5. 3.5 逐个检查推荐结果
    6. 3.6 评价推荐质量
    7. 3.7 计算AUC
    8. 3.8 选择超参数
    9. 3.9 产生推荐
    10. 3.10 小结
  14. 第4章 用决策树算法预测森林植被
    1. 4.1 回归简介
    2. 4.2 向量和特征
    3. 4.3 样本训练
    4. 4.4 决策树和决策森林
    5. 4.5 Covtype数据集
    6. 4.6 准备数据
    7. 4.7 第一棵决策树 (1/2)
    8. 4.7 第一棵决策树 (2/2)
    9. 4.8 决策树的超参数
    10. 4.9 决策树调优
    11. 4.10 重谈类别型特征
    12. 4.11 随机决策森林
    13. 4.12 进行预测
    14. 4.13 小结
  15. 第5章 基于K均值聚类的网络流量异常检测
    1. 5.1 异常检测
    2. 5.2 K均值聚类
    3. 5.3 网络入侵
    4. 5.4 KDD Cup 1999数据集
    5. 5.5 初步尝试聚类
    6. 5.6 k的选择
    7. 5.7 基于SparkR的可视化
    8. 5.8 特征的规范化
    9. 5.9 类别型变量
    10. 5.10 利用标号的熵信息
    11. 5.11 聚类实战
    12. 5.12 小结
  16. 第6章 基于潜在语义分析算法分析维基百科
    1. 6.1 文档-词项矩阵
    2. 6.2 获取数据
    3. 6.3 分析和准备数据
    4. 6.4 词形归并
    5. 6.5 计算TF-IDF
    6. 6.6 奇异值分解
    7. 6.7 找出重要的概念
    8. 6.8 基于低维近似的查询和评分
    9. 6.9 词项-词项相关度
    10. 6.10 文档-文档相关度
    11. 6.11 文档-词项相关度
    12. 6.12 多词项查询
    13. 6.13 小结
  17. 第7章 用GraphX分析伴生网络
    1. 7.1 对MEDLINE文献引用索引的网络分析
    2. 7.2 获取数据
    3. 7.3 用Scala XML工具解析XML文档
    4. 7.4 分析MeSH主要主题及其伴生关系
    5. 7.5 用GraphX来建立一个伴生网络
    6. 7.6 理解网络结构
      1. 7.6.1 连通组件
      2. 7.6.2 度的分布
    7. 7.7 过滤噪声边
      1. 7.7.1 处理EdgeTriplet
      2. 7.7.2 分析去掉噪声边的子图
    8. 7.8 小世界网络
      1. 7.8.1 系和聚类系数
      2. 7.8.2 用Pregel计算平均路径长度
    9. 7.9 小结
  18. 第8章 纽约出租车轨迹的空间和时间数据分析
    1. 8.1 数据的获取
    2. 8.2 基于Spark的第三方库分析
    3. 8.3 基于Esri Geometry API和Spray的地理空间数据处理
      1. 8.3.1 认识Esri Geometry API
      2. 8.3.2 GeoJSON简介
    4. 8.4 纽约市出租车客运数据的预处理
      1. 8.4.1 大规模数据中的非法记录处理
      2. 8.4.2 地理空间分析
    5. 8.5 基于Spark的会话分析
    6. 8.6 小结
  19. 第9章 基于蒙特卡罗模拟的金融风险评估
    1. 9.1 术语
    2. 9.2 VaR计算方法
      1. 9.2.1 方差-协方差法
      2. 9.2.2 历史模拟法
      3. 9.2.3 蒙特卡罗模拟法
    3. 9.3 我们的模型
    4. 9.4 获取数据
    5. 9.5 数据预处理
    6. 9.6 确定市场因素的权重
    7. 9.7 采样
    8. 9.8 运行试验
    9. 9.9 回报分布的可视化
    10. 9.10 结果的评估
    11. 9.11 小结
  20. 第10章 基因数据分析和BDG项目
    1. 10.1 分离存储与模型
    2. 10.2 用ADAM CLI导入基因学数据 (1/2)
    3. 10.2 用ADAM CLI导入基因学数据 (2/2)
    4. 10.3 从ENCODE数据预测转录因子结合位点 (1/2)
    5. 10.3 从ENCODE数据预测转录因子结合位点 (2/2)
    6. 10.4 查询1000 Genomes项目中的基因型
    7. 10.5 小结
  21. 第11章 基于PySpark和Thunder的神经图像数据分析
    1. 11.1 PySpark简介
    2. 11.2 Thunder工具包概况和安装
    3. 11.3 用Thunder加载数据
    4. 11.4 用Thunder对神经元进行分类
    5. 11.5 小结
  22. 作者介绍
  23. 封面介绍

Product information

  • Title: Spark高级数据分析（第2版）
  • Author(s): Sandy Ryza, Uri Laserson, Sean Owen, Josh Wills
  • Release date: June 2018
  • Publisher(s): Posts & Telecom Press
  • ISBN: None