《Spark高級數據分析（第2版）》是2019年8月人民郵電出版社出版的圖書，作者是[美]桑迪·里扎、 [美]於里·萊瑟森、 [英]肖恩·歐文、 [美]喬希·威爾斯。
基本介紹
- 書名：Spark高級數據分析（第2版）
- 作者：[美]桑迪·里扎
[美]於里·萊瑟森
[英]肖恩·歐文
[美]喬希·威爾斯 - ISBN：9787115482525
- 頁數：226頁
- 定價：69元
- 出版社：人民郵電出版社
- 出版時間：2019年8月
- 裝幀：平裝
- 開本：16開
內容簡介,圖書目錄,
內容簡介
本書是使用Spark進行大規模數據分析的實戰寶典，由知名數據科學家撰寫。本書在第1版的基礎上，針對Spark近年來的發展，對樣例代碼和所使用的資料進行了大量更新。新版Spark使用了全新的核心API，MLlib和Spark SQL兩個子項目也發生了較大變化，本書為關注Spark發展趨勢的讀者提供了與時俱進的資料，例如Dataset和DataFrame的使用，以及與DataFrame API高度集成的Spark ML API。
圖書目錄
推薦序 ix
譯者序 xi
序 xiii
前言 xv
第 1章 大數據分析 1
1.1 數據科學面臨的挑戰 2
1.2 認識Apache Spark 4
1.3 關於本書 5
1.4 第 2版說明 6
第 2章 用Scala 和Spark 進行數據分析 8
2.1 數據科學家的Scala 9
2.2 Spark編程模型 10
2.3 記錄關聯問題 10
2.4 小試牛刀：Spark shell和SparkContext 11
2.5 把數據從集群上獲取到客戶端 16
2.6 把代碼從客戶端傳送到集群 19
2.7 從RDD到DataFrame 20
2.8 用DataFrame API來分析數據 23
2.9 DataFrame的統計信息 27
2.10 DataFrame的轉置和重塑 29
2.11 DataFrame的連線和特徵選擇 32
2.12 為生產環境準備模型 33
2.13 評估模型 35
2.14 小結 36
第3章 音樂推薦和Audioscrobbler數據集 37
3.1 數據集 38
3.2 交替最小二乘推薦算法 39
3.3 準備數據 41
3.4 構建第 一個模型 44
3.5 逐個檢查推薦結果 47
3.6 評價推薦質量 50
3.7 計算AUC 51
3.8 選擇超參數 53
3.9 產生推薦 55
3.10 小結 56
第4章 用決策樹算法預測森林植被 58
4.1 回歸簡介 59
4.2 向量和特徵 59
4.3 樣本訓練 60
4.4 決策樹和決策森林 61
4.5 Covtype數據集 63
4.6 準備數據 64
4.7 第 一棵決策樹 66
4.8 決策樹的超參數 72
4.9 決策樹調優 73
4.10 重談類別型特徵 77
4.11 隨機決策森林 79
4.12 進行預測 81
4.13 小結 82
第5章 基於K均值聚類的網路流量異常檢測 84
5.1 異常檢測 85
5.2 K均值聚類 85
5.3 網路入侵 86
5.4 KDD Cup 1999數據集 86
5.5 初步嘗試聚類 87
5.6 k的選擇 90
5.7 基於SparkR 的可視化 92
5.8 特徵的規範化 96
5.9 類別型變數 98
5.10 利用標號的熵信息 99
5.11 聚類實戰 100
5.12 小結 102
第6章 基於潛在語義分析算法分析維基百科 104
6.1 文檔－詞項矩陣 105
6.2 獲取數據 106
6.3 分析和準備數據 107
6.4 詞形歸併 109
6.5 計算TF-IDF 110
6.6 奇異值分解 111
6.7 找出重要的概念 113
6.8 基於低維近似的查詢和評分 117
6.9 詞項－詞項相關度 117
6.10 文檔－文檔相關度 119
6.11 文檔－詞項相關度 121
6.12 多詞項查詢 122
6.13 小結 123
第7章 用GraphX分析伴生網路 124
7.1 對MEDLINE文獻引用索引的網路分析 125
7.2 獲取數據 126
7.3 用Scala XML工具解析XML文檔 128
7.4 分析MeSH主要主題及其伴生關係 130
7.5 用GraphX來建立一個伴生網路 132
7.6 理解網路結構 135
7.6.1 連通組件 136
7.6.2 度的分布 138
7.7 過濾噪聲邊 140
7.7.1 處理EdgeTriplet 141
7.7.2 分析去掉噪聲邊的子圖 142
7.8 小世界網路 144
7.8.1 系和聚類係數 144
7.8.2 用Pregel計算平均路徑長度 145
7.9 小結 150
第8章 紐約計程車軌跡的空間和時間數據分析 151
8.1 數據的獲取 152
8.2 基於Spark的第三方庫分析 153
8.3 基於Esri Geometry API和Spray的地理空間數據處理 153
8.3.1 認識Esri Geometry API 154
8.3.2 GeoJSON簡介 155
8.4 紐約市計程車客運數據的預處理 157
8.4.1 大規模數據中的非法記錄處理 159
8.4.2 地理空間分析 162
8.5 基於Spark的會話分析 165
8.6 小結 168
第9章 基於蒙特卡羅模擬的金融風險評估 170
9.1 術語 171
9.2 VaR計算方法 172
9.2.1 方差－協方差法 172
9.2.2 歷史模擬法 172
9.2.3 蒙特卡羅模擬法 172
9.3 我們的模型 173
9.4 獲取數據 173
9.5 數據預處理 174
9.6 確定市場因素的權重 177
9.7 採樣 179
9.8 運行試驗 182
9.9 回報分布的可視化 185
9.10 結果的評估 186
9.11 小結 188
第 10章 基因數據分析和BDG項目 190
10.1 分離存儲與模型 191
10.2 用ADAM CLI導入基因學數據 193
10.3 從ENCODE數據預測轉錄因子結合位點 201
10.4 查詢1000 Genomes項目中的基因型 207
10.5 小結 210
第 11章 基於PySpark和Thunder的神經圖像數據分析 211
11.1 PySpark簡介 212
11.2 Thunder工具包概況和安裝 215
11.3 用Thunder載入數據 215
11.4 用Thunder對神經元進行分類 221
11.5 小結 225
作者介紹 226
封面介紹 226
