PySpark大数据分析与应用电子书

内容提要

大数据技术精品系列教材专家委员会

前言

第1章 PySpark大数据分析概述

1.1 大数据分析概述

1.1.1 大数据的概念

1.1.2 大数据分析的概念

1.1.3 大数据分析的流程

1.1.4 大数据分析的应用场景

1.1.5 大数据技术体系

1.2 Spark大数据技术框架

1.2.1 Spark简介

1.2.2 Spark特点

1.2.3 Spark运行架构与流程

1.2.4 Spark RDD

1.2.5 Spark生态圈

1.3 PySpark大数据分析

1.3.1 PySpark简介

1.3.2 PySpark子模块

小结

课后习题

第2章 PySpark安装配置

2.1 搭建单机模式的PySpark开发环境

2.1.1 安装JDK

2.1.2 安装Anaconda

2.1.3 安装Hadoop

2.1.4 安装MySQL

2.1.5 安装Hive

2.1.6 配置PySpark模块

2.1.7 运行Jupyter Notebook

2.2 搭建分布式模式的PySpark开发环境

2.2.1 安装配置虚拟机

2.2.2 安装Java

2.2.3 搭建Hadoop分布式集群

2.2.4 安装MySQL数据库

2.2.5 安装Hive数据仓库工具

2.2.6 搭建Spark完全分布式集群

2.2.7 安装PyCharm

2.2.8 安装Python解释器及PySpark模块

2.3 Python函数式编程

2.3.1 Python常用数据结构

2.3.2 Python函数式编程基础

小结

课后习题

第3章 基于PySpark的DataFrame操作

3.1 Spark SQL概述

3.1.1 Spark SQL起源与发展历程

3.1.2 Spark SQL主要功能

3.1.3 Spark SQL数据核心抽象DataFrame

3.2 pyspark.sql模块

3.2.1 pyspark.sql模块简介

3.2.2 pyspark.sql模块核心类

3.3 DataFrame基础操作

3.3.1 创建DataFrame对象

3.3.2 DataFrame操作

3.3.3 DataFrame输出操作

小结

实训

实训1 网站搜索热词统计分析

实训2 大数据岗位招聘信息统计分析

课后习题

第4章 基于PySpark的流式数据处理

4.1 Spark Streaming概述

4.1.1 流计算简介

4.1.2 Spark Streaming基本概念

4.1.3 Spark Streaming工作原理

4.1.4 Spark Streaming运行机制

4.2 pyspark.streaming模块

4.2.1 pyspark.streaming模块简介

4.2.2 pyspark.streaming模块核心类

4.2.3 DStream基础操作

4.3 Structured Streaming结构化流处理

4.3.1 Structured Streaming概述

4.3.2 Structured Streaming编程模型

4.3.3 Structured Streaming基础操作

4.3.4 Structured Streaming编程步骤

小结

实训

实训1 使用Spark Streaming实现菜品价格实时计算

实训2 使用Spark Streaming实时判别车辆所属地

课后习题

第5章 基于PySpark的机器学习库

5.1 MLlib算法

5.1.1 机器学习

5.1.2 MLlib

5.1.3 pyspark.ml模块

5.2 使用pyspark.ml模块的转换器处理和转换数据

5.2.1 数据加载及数据集划分

5.2.2 数据降维

5.2.3 数据标准化

5.2.4 数据类型转换

5.3 pyspark.ml模块的评估器和模型评估

5.3.1 使用PySpark构建并评估分类模型

5.3.2 使用PySpark构建并评估回归模型

5.3.3 使用PySpark构建并评估聚类模型

5.3.4 使用PySpark构建并评估智能推荐模型

小结

实训

实训1 使用随机森林模型预测是否批准用户申请

实训2 使用回归模型实现房价预测

课后习题

第6章 案例分析：基于PySpark的网络招聘信息的职业类型划分

6.1 需求与架构分析

6.1.1 业务需求分析与技术选型

6.1.2 系统架构分析

6.2 数据探索

6.2.1 数据说明

6.2.2 数据读取

6.2.3 重复数据与空值探索

6.2.4 异常数据探索

6.3 数据预处理

6.3.1 数据清洗

6.3.2 中文分词与去停用词

6.3.3 词特征向量化

6.4 模型构建与评估

6.4.1 LDA算法简介

6.4.2 LDA模型构建与评估

6.4.3 构建LDA模型

6.5 制作词云图

小结

第7章 案例分析：基于PySpark的信用贷款风险分析

7.1 需求与架构分析

7.1.1 业务需求分析

7.1.2 系统架构分析

7.2 数据探索

7.2.1 数据说明

7.2.2 建立数据仓库并导入数据

7.2.3 用户信息完善情况与逾期率的关系探索

7.2.4 用户信息修改情况与逾期率的关系探索

7.2.5 用户借款月份与逾期率的关系探索

7.3 数据预处理

7.3.1 计算用户信息缺失个数及借款月份构建新特征

7.3.2 用户更新信息重建

7.3.3 用户登录信息重建

7.3.4 分类数据预处理

7.3.5 字符串字段编码处理

7.3.6 分类数据重编码

7.3.7 缺失值处理

7.4 模型构建与评估

7.4.1 了解GBTs算法

7.4.2 构建GBTs模型

7.4.3 评估GBTs模型

7.5 部署和提交PySpark应用程序

7.5.1 打包PySpark应用程序

7.5.2 提交PySpark应用程序

小结

参考文献