PySpark实战指南:利用Python和Spark构建数pdf下载pdf下载

PySpark实战指南:利用Python和Spark构建数百度网盘pdf下载

作者:
简介:本篇主要提供PySpark实战指南:利用Python和Spark构建数pdf下载
出版社：互动创新图书专营店
出版时间：
pdf下载价格：0.00￥

免费下载

前去下载

书籍下载

下载地址

内容介绍

5b62b57bNd3cb9f8a.png
 书名：  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]|6877019
 图书定价： 49元
 图书作者： （美）托马兹·卓巴斯（Tomasz Drabas）;（美）丹尼·李（Denny Lee）
 出版社：  机械工业出版社
 出版日期：  2017/11/1 0:00:00
 ISBN号： 9787111582380
 开本： 16开
 页数： 0
 版次： 1-1
 作者简介
托马兹·卓巴斯（Tomasz Drabas）工作于微软，是一名数据科学家，现居住在西雅图地区。他拥有超过13年的数据分析和数据科学经验：在欧洲、澳大利亚和北美洲三大洲期间，工作领域遍及先进技术、航空、电信、金融和咨询。在澳大利亚期间，托马兹一直致力于运筹学博士学位，重点是航空业中的选择建模和收入管理应用。
在微软，托马兹每天都和大数据打交道，解决机器学习问题，如异常检测、流失预测和使用Spark的模式识别。
托马兹还撰写了《Practical Data Analysis Cookbook》，该书由Packt Publishing于2016年出版。
我要感谢我的家人Rachel、Skye 和Albert，你们是我生命中的挚爱，我很珍惜与你们度过的每一天！谢谢你们永远站在我身边，鼓励我一步步接近我的职业目标。另外，感谢所有的亲人们。
多年来，还有很多人影响了我，我得再写一本书来感谢他们。你们知道，我从心底谢谢你们！
不过，如果不是Czesia Wieruszewska，我不会得到博士学位。还有Krzys Krzysztoszek，你一直相信我！谢谢！
丹尼·李（Denny Lee）是微软Azure DocumentDB团队的首席项目经理，该团队致力于为微软发展高效性、重量级的托管文档存储服务。他是一名喜欢实践的分布式系统和数据科学工程师，拥有超过18年的互联网级别基础架构、数据平台和预测分析系统的开发经验，这些经验可用于内部部署和云环境。
他在组建新团队以及促进转型、改革方面拥有丰富的经验。在加入Azure DocumentDB团队之前，丹尼曾担任Databricks的技术传播专员，他从Apache Spark 0.5时就一直在使用Apache Spark。他还是Concur数据科学工程的高级总监，曾就职于构建了微软Windows和Azure服务（目前称为HDInsight）的Hadoop的孵化团队。丹尼还拥有俄勒冈州健康和科学大学的生物医学信息硕士学位，并在过去15年中为企业医疗保健客户构建和实施了强大的数据解决方案。
我要感谢我的好妻子Hua-Ping，还有我出色的女儿Isabella和Samantha。是你们让我保持清醒，帮我实现了梦寐以求的愿望！
 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

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*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*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*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*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*有可能出现重大延误 110
7.6　理解节点的度 110
7.7　确定*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*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 141
9.1　安装Blaze 141
9.2　混合持久化 142
9.3　抽象数据 143
9.3.1　使用NumPy 数组 143
9.3.2　使用pandas的DataFrame 145
9.3.3　使用文件 145
9.3.4　使用数据库 147
9.4　数据操作 149
9.4.1　访问列 150
9.4.2　符号转换 150
9.4.3　列的操作 151
9.4.4　降阶数据 152
9.4.5　连接 154
9.5　小结 156
第10章　结构化流 157
10.1　什么是Spark Streaming 157
10.2　为什么需要Spark Streaming 159
10.3　Spark Streaming应用程序数据流是什么 160
10.4　使用DStream简化Streaming应用程序 161
10.5　全局聚合快速入门 165
10.6　结构化流介绍 168
10.7　小结 172
第11章　打包Spark应用程序 173
11.1　spark-submit命令 173
11.2　以编程方式部署应用程序 176
11.2.1　配置你的SparkSession 176
11.2.2　创建SparkSession 177
11.2.3　模块化代码 177
11.2.4　提交作业 180
11.2.5　监控执行 182
11.3　Databricks作业 184
11.4　小结 186