机器学习(三)--- scala学习笔记
Scala是一门多范式的编程语言,一种类似Java的编程语言,设计初衷是实现可伸缩的语言、并集成面向对象编程和函数式编程的各种特性。
Spark是UC Berkeley AMP lab所开源的类Hadoop MapReduce的通用并行框架,Spark,拥有Hadoop MapReduce所具有的优点;但不同于MapReduce的是Job中间输出结果可以保存在内存中,从而不再需要读写HDFS,因此Spark能更好地适用于数据挖掘与机器学习等需要迭代的MapReduce的算法。
一、scala学习
2. scala函数式编程
二、spark学习
1. spark API编程。
spark算子分为两种,transformation和action。transformation是根据先有的rdd经过运算得到新的rdd,而action则是在数据集上进行运算后,返回一个值。而且Spark中所有的transformation都是惰性的,只有在一个action要求返回结果时才会进行计算。
2. RDD的宽依赖和窄依赖:
Spark Transformations&Actions 操作学习汇总: https://github.com/china1000/learn_spark.Git
转换(Transformations)
Transformation |
Meaning |
map(func) |
返回一个新的分布式数据集,由每个原元素经过func函数转换后组成 |
filter(func) |
返回一个新的数据集,由经过func函数后返回值为true的原元素组成 |
flatMap(func) |
类似于map,但是每一个输入元素,会被映射为0到多个输出元素(因此,func函数的返回值是一个Seq,而不是单一元素) |
sample(withReplacement, frac,seed) |
根据给定的随机种子seed,随机抽样出数量为frac的数据 |
union(otherDataset) |
返回一个新的数据集,由原数据集和参数联合而成 |
groupByKey([numTasks]) |
在一个由(K,V)对组成的数据集上调用,返回一个(K,Seq[V])对的数据集。注意:默认情况下,使用8个并行任务进行分组,你可以传入numTask可选参数,根据数据量设置不同数目的Task(groupByKey和filter结合,可以实现类似Hadoop中的Reduce功能) |
reduceByKey(func, [numTasks]) |
在一个(K,V)对的数据集上使用,返回一个(K,V)对的数据集,key相同的值,都被使用指定的reduce函数聚合到一起。和groupbykey类似,任务的个数是可以通过第二个可选参数来配置的。 |
join(otherDataset, [numTasks]) |
在类型为(K,V)和(K,W)类型的数据集上调用,返回一个(K,(V,W))对,每个key中的所有元素都在一起的数据集 |
groupWith(otherDataset, [numTasks]) |
在类型为(K,V)和(K,W)类型的数据集上调用,返回一个数据集,组成元素为(K, Seq[V], Seq[W]) Tuples。这个操作在其它框架,称为CoGroup |
cartesian(otherDataset) |
笛卡尔积。但在数据集T和U上调用时,返回一个(T,U)对的数据集,所有元素交互进行笛卡尔积。 |
sortByKey([ascendingOrder]) |
在类型为( K, V )的数据集上调用,返回以K为键进行排序的(K,V)对数据集。升序或者降序由boolean型的ascendingOrder参数决定(类似于Hadoop的Map-Reduce中间阶段的Sort,按Key进行排序) |
Actions(动作)
Action |
Meaning |
reduce(func |
通过函数func聚集数据集中的所有元素。Func函数接受2个参数,返回一个值。这个函数必须是关联性的,确保可以被正确的并发执行 |
collect() |
在Driver的程序中,以数组的形式,返回数据集的所有元素。这通常会在使用filter或者其它操作后,返回一个足够小的数据子集再使用,直接将整个RDD集Collect返回,很可能会让Driver程序OOM |
count() |
返回数据集的元素个数 |
take(n) |
返回一个数组,由数据集的前n个元素组成。注意,这个操作目前并非在多个节点上,并行执行,而是Driver程序所在机器,单机计算所有的元素(Gateway的内存压力会增大,需要谨慎使用) |
first() |
返回数据集的第一个元素(类似于take(1)) |
saveAsTextFile(path) |
将数据集的元素,以textfile的形式,保存到本地文件系统,hdfs或者任何其它hadoop支持的文件系统。Spark将会调用每个元素的toString方法,并将它转换为文件中的一行文本 |
saveAsSequenceFile(path) |
将数据集的元素,以sequencefile的格式,保存到指定的目录下,本地系统,hdfs或者任何其它hadoop支持的文件系统。RDD的元素必须由key-value对组成,并都实现了Hadoop的Writable接口,或隐式可以转换为Writable(Spark包括了基本类型的转换,例如Int,Double,String等等) |
foreach(func |
在数据集的每一个元素上,运行函数func。这通常用于更新一个累加器变量,或者和外部存储系统做交互 |
2. Spark 架构设计与编程模型
3. Spark并发编程
4. Spark 基础知识
参考文献:
1. Spark 一个高效的分布式计算系统: http://tech.uc.cn/?p=2116
最新文章
- C语言猜拳游戏
- 如何运用TurboDemo创建视频示例
- php数组高级小结(一)
- SNMP报文抓取与分析(一)
- Java [Leetcode 43]Multiply Strings
- sql server2008 搭建链接服务器成功后查询时报Cannot obtain the schema rowset ";DBSCHEMA_TABLES_INFO"; for OLE DB provider ";SQLNCLI10"; for linked server ";XXXXX";. 的解决方法
- Java JDBC中,MySQL字段类型到JAVA类型的转换
- El表达式和fn函数一起使用
- hdoj 4324 Triangle LOVE 【拓扑】
- python的urlparse
- AD转换
- 豌豆夹Redis解决方案Codis源码剖析:Proxy代理
- elasticsearch的CPU居高不下的问题
- Linux负载查询定位工具
- DNS学习笔记
- rest framwork 小试身手
- Python知识梳理
- Docker端口映射(六)
- laravel自定义分页功能的实现:
- java 标准输出流、标准错误输出流、标准输入流及扫描仪
热门文章
- PullToRefreshGridView上拉刷新,下拉加载
- memcached分析
- linux Mate Lxde 消耗资源对比
- (后台)There is already 'jy.controller.jyadmin.JyDealerPackingReturnController' bean method
- Dbvisualizer软件设置SQL语句的自动提示功能
- 在VS 一切正常,发布到IIS出现问题 [System.Data.OracleClient 需要 Oracle 客户端软件 version 8.1.7 或更高版本]
- CSS:float: right 靠右换行的解决方法
- Shell的基础介绍和案例
- win10 文件扩展名的更改
- 回文数的golang实现