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杰出实践，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

本书是使用Spark进行大规模数据分析的实战宝典，由知名数据科学家撰写。本书在第1版的基础上，针对Spark近年来的发展，对样例代码和所使用的资料进行了大量更新。新版Spark使用了全新的核心API，MLlib和Spark SQL两个子项目也发生了较大变化，本书为关注Spark发展趋势的读者提供了与时俱进的资料，例如Dataset和DataFrame的使用，以及与DataFrame API高度集成的Spark ML API。

【作者简介】
桑迪·里扎（Sandy Ryza），Spark项目代码提交者、Hadoop项目管理委员会委员，Time Series for Spark项目创始人。曾任Cloudera公司高级数据科学家，现就职于Remix公司从事公共交通算法开发。
于里·莱瑟森（Uri Laserson），MIT博士毕业，致力于用技术解决遗传学问题，曾利用Hadoop生态系统开发了可扩展的基因组学和免疫学技术。目前是西奈山伊坎医学院遗传学助理教授，曾任Cloudera公司核心数据科学家。

肖恩·欧文（Sean Owen），Spark、Mahout项目代码提交者，Spark项目管理委员会委员。现任Cloudera公司数据科学总监。

乔希·威尔斯（Josh Wills），Crunch项目发起人，现任Slack公司数据工程主管。曾任Cloudera公司高级数据科学总监。


【译者简介】

龚少成
现任万达科技集团数据工程部总经理，清华大学自动化系研究生毕业，国内专注企业级大数据平台建设的先驱者之一，曾经在Intel和Cloudera公司担任大数据技术负责人，Cloudera公司认证大数据培训讲师。

邱鑫
毕业于武汉大学，目前就职于英特尔亚太研发有限公司，是Intel大数据团队高级工程师。主要研究大数据与深度学习技术，是基于Spark的深度学习框架BigDL的核心贡献者。

推荐序 ix
译者序　xi
序　xiii
前言　xv
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　4
1．3　关于本书　5
1．4　第 2版说明　6
第　2章 用Scala 和Spark 进行数据分析　8
2．1　数据科学家的Scala　9
2．2　Spark编程模型　10
2．3　记录关联问题　10
2．4　小试牛刀：Spark shell和SparkContext　11
2．5　把数据从集群上获取到客户端　16
2．6　把代码从客户端发送到集群　19
2．7　从RDD到DataFrame　20
2．8　用DataFrame API来分析数据　23
2．9　DataFrame的统计信息　27
2．10　DataFrame的转置和重塑　29
2．11　DataFrame的连接和特征选择　32
2．12　为生产环境准备模型　33
2．13　评估模型　35
2．14　小结　36
第3章　音乐推荐和Audioscrobbler数据集　37
3．1　数据集　38
3．2　交替最小二乘推荐算法　39
3．3　准备数据　41
3．4　构建第 一个模型　44
3．5　逐个检查推荐结果　47
3．6　评价推荐质量　50
3．7　计算AUC　51
3．8　选择超参数　53
3．9　产生推荐　55
3．10　小结　56
第4章　用决策树算法预测森林植被　58
4．1　回归简介　59
4．2　向量和特征　59
4．3　样本训练　60
4．4　决策树和决策森林　61
4．5　Covtype数据集　63
4．6　准备数据　64
4．7　第 一棵决策树　66
4．8　决策树的超参数　72
4．9　决策树调优　73
4．10　重谈类别型特征　77
4．11　随机决策森林　79
4．12　进行预测　81
4．13　小结　82
第5章　基于K均值聚类的网络流量异常检测　84
5．1　异常检测　85
5．2　K均值聚类　85
5．3　网络入侵　86
5．4　KDD Cup 1999数据集　86
5．5　初步尝试聚类　87
5．6　k的选择　90
5．7　基于SparkR 的可视化　92
5．8　特征的规范化　96
5．9　类别型变量　98
5．10　利用标号的熵信息　99
5．11　聚类实战　100
5．12　小结　102
第6章　基于潜在语义分析算法分析维基百科　104
6．1　文档－词项矩阵　105
6．2　获取数据　106
6．3　分析和准备数据　107
6．4　词形归并　109
6．5　计算TF-IDF　110
6．6　奇异值分解　111
6．7　找出重要的概念　113
6．8　基于低维近似的查询和评分　117
6．9　词项－词项相关度　117
6．10　文档－文档相关度　119
6．11　文档－词项相关度　121
6．12　多词项查询　122
6．13　小结　123
第7章　用GraphX分析伴生网络　124
7．1　对MEDLINE文献引用索引的网络分析　125
7．2　获取数据　126
7．3　用Scala XML工具解析XML文档　128
7．4　分析MeSH主要主题及其伴生关系　130
7．5　用GraphX来建立一个伴生网络　132
7．6　理解网络结构　135
7．6．1　连通组件　136
7．6．2　度的分布　138
7．7　过滤噪声边　140
7．7．1　处理EdgeTriplet　141
7．7．2　分析去掉噪声边的子图　142
7．8　小世界网络　144
7．8．1　系和聚类系数　144
7．8．2　用Pregel计算平均路径长度　145
7．9　小结　150
第8章　纽约出租车轨迹的空间和时间数据分析　151
8．1　数据的获取　152
8．2　基于Spark的第三方库分析　153
8．3　基于Esri Geometry API和Spray的地理空间数据处理　153
8．3．1　认识Esri Geometry API　154
8．3．2　GeoJSON简介　155
8．4　纽约市出租车客运数据的预处理　157
8．4．1　大规模数据中的非法记录处理　159
8．4．2　地理空间分析　162
8．5　基于Spark的会话分析　165
8．6　小结　168
第9章　基于蒙特卡罗模拟的金融风险评估　170
9．1　术语　171
9．2　VaR计算方法　172
9．2．1　方差－协方差法　172
9．2．2　历史模拟法　172
9．2．3　蒙特卡罗模拟法　172
9．3　我们的模型　173
9．4　获取数据　173
9．5　数据预处理　174
9．6　确定市场因素的权重　177
9．7　采样　179
9．8　运行试验　182
9．9　回报分布的可视化　185
9．10　结果的评估　186
9．11　小结　188
第　10章 基因数据分析和BDG项目　190
10．1　分离存储与模型　191
10．2　用ADAM CLI导入基因学数据　193
10．3　从ENCODE数据预测转录因子结合位点　201
10．4　查询1000 Genomes项目中的基因型　207
10．5　小结　210
第　11章 基于PySpark和Thunder的神经图像数据分析　211
11．1　PySpark简介　212
11．2　Thunder工具包概况和安装　215
11．3　用Thunder加载数据　215
11．4　用Thunder对神经元进行分类　221
11．5　小结　225
作者介绍　226
封面介绍　226