Spark 3.0大数据分析与挖掘：基于机器学习

本书详解Spark 3.0 ML机器学习框架进行大数据分析与挖掘的方法，配套示例源码、PPT课件、数据集、开发环境、思维导图和答疑服务。

Spark作为新兴的、应用范围广泛的大数据处理开源框架，吸引了大量的大数据分析与挖掘从业人员进行相关内容的学习与开发，其中ML是Spark 3.0机器学习框架使用的核心。本书用于Spark 3.0 ML大数据分析与挖掘入门，配套示例源码、PPT课件、数据集、思维导图、开发环境和作者答疑服务。 本书共分13章，从Spark 3.0大数据分析概述、基础安装和配置开始，依次介绍ML的DataFrame、ML的基本概念，以及协同过滤、线性回归、分类、决策树与随机森林、聚类、关联规则、数据降维、特征提取和转换等数据处理方法；最后通过经典的鸢尾花分析实例，回顾前面的学习内容，实现了一个完整的数据分析与挖掘过程。 本书采取实例和理论相结合的方式，讲解细致直观，示例丰富，适合Spark 3.0机器学习初学者、大数据分析和挖掘人员，也适合高等院校和培训机构人工智能与大数据相关专业的师生教学参考。

王晓华，计算机专业讲师，研究方向为云计算、大数据与人工智能。著有《Spark MLlib机器学习实践》《TensorFlow深度学习应用实践》《OpenCV+TensorFlow深度学习与计算机视觉实战》《TensorFlow知识图谱实战》《TensorFlow人脸识别实战》《TensorFlow语音识别实战》《TensorFlow 2.0卷积神经网络实战》《Keras实战：基于TensorFlow2.2的深度学习实践》《TensorFlow深度学习从零开始学》《深度学习的数学原理与实现》等图书。

第1章 Spark大数据分析概述 1 1.1 大数据时代 1 1.2 大数据分析的要素 2 1.3 简单、优雅、有效—这就是Spark 3 1.4 Spark 3.0核心—ML 4 1.5 星星之火，可以燎原 6 1.6 小结 6 第2章 Spark 3.0安装和开发环境配置 7 2.1 Windows 10单机模式下安装和配置Spark 7 2.1.1 Windows 10安装Java 8 7 2.1.2 Windows 10安装Scala 2.12.10 10 2.1.3 Intellij IDEA下载和安装 13 2.1.4 Intellij IDEA中Scala插件的安装 13 2.1.5 HelloJava—使用Intellij IDEA创建Java程序 16 2.1.6 HelloScala—使用Intellij IDEA创建Scala程序 19 2.1.7 最后一脚—Spark 3.0单机版安装 22 2.2 经典的wordCount 25 2.2.1 Spark 3.0实现wordCount 25 2.2.2 MapReduce实现wordCount 27 2.3 小结 30 第3章 DataFrame详解 31 3.1 DataFrame是什么 31 3.1.1 DataFrame与RDD的关系 31 3.1.2 DataFrame理解及特性 32 3.1.3 DataFrame与DataSet的区别 34 3.1.4 DataFrame的缺陷 34 3.2 DataFrame工作原理 35 3.2.1 DataFrame工作原理图 35 3.2.2 宽依赖与窄依赖 35 3.3 DataFrame应用API和操作详解 37 3.3.1 创建 DataFrame 37 3.3.2 提前计算的cache方法 39 3.3.3 用于列筛选的select和selectExpr方法 41 3.3.4 DataFrame的收集行collect方法 42 3.3.5 DataFrame计算行数count方法 43 3.3.6 DataFrame输出limit方法 44 3.3.7 除去数据集中重复项的distinct方法 45 3.3.8 过滤数据的filter方法 46 3.3.9 以整体数据为单位操作数据的flatMap方法 46 3.3.10 以单个数据为目标进行操作的map方法 47 3.3.11 分组数据的groupBy和agg方法 48 3.3.12 删除数据集中某列的drop方法 49 3.3.13 随机采样方法和随机划分方法 49 3.3.14 排序类型操作的sort和orderBy方法 51 3.3.15 DataFrame和Dataset以及RDD之间的相互转换 52 3.4 小结 53 第4章 ML基本概念 54 4.1 ML基本数据类型及管道技术 54 4.1.1 支持多种数据类型 55 4.1.2 管道技术 55 4.1.3 管道中的主要概念 55 4.1.4 管道的工作流程 56 4.1.5 Pipeline的使用 57 4.2 ML数理统计基本概念 61 4.2.1 基本统计量 62 4.2.2 统计量基本数据 62 4.2.3 距离计算 64 4.2.4 两组数据相关系数计算 65 4.2.5 分层抽样 68 4.2.6 假设检验 69 4.2.7 随机数 71 4.3 小结 72 第5章 协同过滤算法 73 5.1 协同过滤 73 5.1.1 协同过滤概述 73 5.1.2 基于用户的推荐UserCF 74 5.1.3 基于物品的推荐ItemCF 75 5.1.4 协同过滤算法的不足 76 5.2 相似度度量 76 5.2.1 基于欧几里得距离的相似度计算 76 5.2.2 基于余弦角度的相似度计算 77 5.2.3 欧几里得相似度与余弦相似度的比较 78 5.2.4 基于余弦相似度的用户相似度计算示例 78 5.3 交替最小二乘法 82 5.3.1 最小二乘法详解 82 5.3.2 ML中交替最小二乘法详解 83 5.3.3 ALS算法示例 83 5.4 小结 88 第6章 线性回归理论与实战 89 6.1 随机梯度下降算法详解 90 6.1.1 道士下山的故事 90 6.1.2 随机梯度下降算法的理论基础 91 6.1.3 随机梯度下降算法实战 92 6.2 回归的过拟合 93 6.2.1 过拟合产生的原因 93 6.2.2 Lasso回归、岭回归与ElasticNet回归 94 6.3 ML线性回归示例 95 6.3.1 线性回归程序 95 6.3.2 线性回归：广义线性回归 98 6.4 小结 99 第7章 分类实战 100 7.1 逻辑回归详解 100 7.1.1 逻辑回归不是回归算法 101 7.1.2 逻辑回归的数学基础 101 7.1.3 ML逻辑回归二分类示例 102 7.1.4 ML逻辑回归多分类示例 105 7.1.5 ML逻辑回归汇总提取 108 7.1.6 ML逻辑回归处理文本文档 109 7.2 线性支持向量机详解 109 7.2.1 三角还是圆 110 7.2.2 支持向量机的数学基础 111 7.2.3 ML支持向量机示例 112 7.2.4 ML支持向量机进行分类预测 113 7.3 朴素贝叶斯分类器详解 115 7.3.1 穿裤子的男生or女生 115 7.3.2 贝叶斯定理的数学基础和意义 116 7.3.3 朴素贝叶斯定理 117 7.3.4 ML朴素贝叶斯使用示例 117 7.3.5 ML朴素贝叶斯中文文本分类 120 7.4 小结 123 第8章 决策树与随机森林 124 8.1 决策树详解 125 8.1.1 水晶球的秘密 125 8.1.2 决策树的算法基础：信息熵 126 8.1.3 决策树的算法基础—ID3算法 127 8.1.4 ML中决策树的构建 128 8.1.5 ML中决策树示例 130 8.2 随机森林与梯度提升算法 132 8.3 小结 138 第9章 聚类 139 9.1 聚类与分类 139 9.1.1 什么是分类 139 9.1.2 什么是聚类 140 9.2 K-means算法 140 9.2.1 K-means算法及其算法步骤 141 9.2.2 ML中K-means算法示例 142 9.2.3 K-means算法中细节的讨论 144 9.3 高斯混合聚类 144 9.3.1 从高斯分布聚类起步 145 9.3.2 混合高斯模型 146 9.3.3 ML高斯混合模型使用示例 147 9.4 快速迭代聚类 148 9.4.1 快速迭代聚类理论基础 148 9.4.2 ML快速迭代聚类使用示例 149 9.5 小结 150 第10章 关联规则 151 10.1 Apriori频繁项集算法 151 10.1.1 “啤酒与尿布”的经典故事 151 10.1.2 经典的Apriori算法 152 10.1.3 Apriori算法示例 154 10.2 FP-growth算法 155 10.2.1 Apriori算法的局限性 155 10.2.2 FP-growth算法 155 10.2.3 ML中的FP树算法示例 158 10.3 小结 160 第11章 数据降维 161 11.1 奇异值分解 161 11.1.1 行矩阵详解 162 11.1.2 奇异值分解算法基础 162 11.1.3 ML中奇异值分解示例 163 11.2 主成分分析 164 11.2.1 主成分分析的定义 165 11.2.2 主成分分析的数学基础 165 11.2.3 ML中主成分分析示例 166 11.3 小结 167 第12章 特征提取和转换 169 12.1 TF-IDF 169 12.1.1 如何查找想要的新闻 170 12.1.2 TF-IDF算法的数学计算 170 12.1.3 ML中TF-IDF示例 171 12.2 词向量化Word2Vec 173 12.2.1 词向量化基础 173 12.2.2 ML中词向量化使用示例 174 12.3 基于卡方检验的特征选择 176 12.3.1 “吃货”的苦恼 176 12.3.2 ML中基于卡方检验的特征选择示例 177 12.4 小结 179 第13章 ML实战演练—鸢尾花分析 180 13.1 建模说明 180 13.1.1 数据的描述与分析目标 180 13.1.2 建模说明 182 13.2 数据预处理和分析 185 13.2.1 微观分析—均值与方差的对比分析 185 13.2.2 宏观分析—不同种类特性的长度计算 189 13.2.3 去除重复项—相关系数的确定 192 13.3 长与宽之间的关系—数据集的回归分析 196 13.3.1 使用线性回归分析长与宽之间的关系 196 13.3.2 使用逻辑回归分析长与宽之间的关系 198 13.4 使用分类和聚类对鸢尾花数据集进行处理 201 13.4.1 使用聚类分析对数据集进行聚类处理 202 13.4.2 使用分类分析对数据集进行分类处理 206 13.5 最终的判定—决策树测试 208 13.5.1 决定数据集归类的方法之一—决策树 208 13.5.2 决定数据集归类的方法之二—随机森林 211 13.6 小结 213