编辑推荐

　　这是一本实用手册，四位作者均是Cloudera公司的数据科学家，他们联袂展示了利用Spark进行大规模数据分析的若干模式，而且每个模式都自成一体。他们将Spark、统计学方法和真实数据集结合起来，通过实例向读者讲述了怎样解决分析型问题。

　　本书首先介绍了Spark及其生态系统，接着详细介绍了将分类、协同过滤及异常检查等常用技术应用于基因学、安全和金融领域的若干模式。如果你对机器学习和统计学有基本的了解，并且会用Java、Python或Scala编程，这些模式将有助于你开发自己的数据应用。

　　本书介绍了以下模式：

　　音乐推荐和Audioscrobbler数据集

　　用决策树算法预测森林植被

　　基于K均值聚类进行网络流量的异常检测

　　基于潜在语义分析技术分析维基百科

　　用GraphX分析伴生网络

　　对纽约出租车轨迹进行空间和时间数据分析

　　通过蒙特卡罗模拟来评估金融风险

　　基因数据分析和BDG项目

　　用PySpark和Thunder分析神经图像数据

内容简介

　　本书是使用Spark进行大规模数据分析的实战宝典，由大数据公司Cloudera的数据科学家撰写。四位作者首先结合数据科学和大数据分析的广阔背景讲解了Spark，然后介绍了用Spark和Scala进行数据处理的基础知识，接着讨论了如何将Spark用于机器学习，同时介绍了常见应用中几个常用的算法。此外还收集了一些更加新颖的应用，比如通过文本隐含语义关系来查询Wikipedia或分析基因数据。

作者简介

　　Sandy Ryza是Cloudera公司数据科学家，Apache Spark项目的活跃代码贡献者。领导了Cloudera公司的Spark开发工作。他还是Hadoop项目管理委员会委员。

　　Uri Laserson是Cloudera公司数据科学家，专注于Hadoop生态系统中的Python部分。

　　Sean Owen是Cloudera公司EMEA地区的数据科学总监，也是Apache Spark项目的代码提交者。他创立了基于Spark、Spark Streaming和Kafka的Hadoop实时大规模学习项目Oryx（之前称为Myrrix）。

　　Josh Wills是Cloudera公司的高级数据科学总监，Apache Crunch项目的发起者和副总裁。

内页插图

精彩书评

　　四位作者研习Spark已久，他们在本书中跟读者分享了关于Spark的大量精彩内容，而且本书的案例部分同样出众！对于这本书，我最钟爱的是它强调案例，且这些案例都源于现实数据和实际应用……认真研读此书，你应该可以吸收这些案例中的思想，并直接将其运用在自己的项目中！

　　——Matei Zaharia，Databricks公司CTO兼Apache Spark项目副总裁

目录

推荐序 ix
译者序 xi
序 xiii
前言 xv
第1 章　大数据分析 1
1．1　数据科学面临的挑战 2
1．2　认识Apache Spark 4
1．3　关于本书 5
第2 章　用Scala 和Spark 进行数据分析 7
2．1　数据科学家的Scala 8
2．2　Spark 编程模型 9
2．3　记录关联问题 9
2．4　小试牛刀：Spark shell 和SparkContext 10
2．5　把数据从集群上获取到客户端 15
2．6　把代码从客户端发送到集群 18
2．7　用元组和case class 对数据进行结构化 19
2．8　聚合 23
2．9　创建直方图 24
2．10　连续变量的概要统计 25
2．11　为计算概要信息创建可重用的代码 26
2．12　变量的选择和评分简介 30
2．13　小结 31
第3 章　音乐推荐和Audioscrobbler 数据集 33
3．1　数据集 34
3．2　交替最小二乘推荐算法 35
3．3　准备数据 37
3．4　构建第一个模型 39
3．5　逐个检查推荐结果 42
3．6　评价推荐质量 43
3．7　计算AUC 44
3．8　选择超参数 46
3．9　产生推荐 48
3．10　小结 49
第4 章　 用决策树算法预测森林植被 51
4．1　回归简介 52
4．2　向量和特征 52
4．3　样本训练 53
4．4　决策树和决策森林 54
4．5　Covtype 数据集 56
4．6　准备数据 57
4．7　第一棵决策树 58
4．8　决策树的超参数 62
4．9　决策树调优 63
4．10　重谈类别型特征 65
4．11　随机决策森林 67
4．12　进行预测 69
4．13　小结 69
第5 章　基于K 均值聚类的网络流量异常检测 71
5．1　异常检测 72
5．2　K 均值聚类 72
5．3　网络入侵 73
5．4　KDD Cup 1999 数据集 73
5．5　初步尝试聚类 74
5．6　K 的选择 76
5．7　基于R 的可视化 79
5．8　特征的规范化 81
5．9　类别型变量 83
5．10　利用标号的熵信息 84
5．11　聚类实战 85
5．12　小结 86
第6 章　基于潜在语义分析算法分析维基百科 89
6．1　词项- 文档矩阵 90
6．2　获取数据 91
6．3　分析和准备数据 92
6．4　词形归并 93
6．5　计算TF-IDF 94
6．6　奇异值分解 97
6．7　找出重要的概念 98
6．8　基于低维近似的查询和评分 101
6．9　词项- 词项相关度 102
6．10　文档- 文档相关度 103
6．11　词项- 文档相关度 105
6．12　多词项查询 106
6．13　小结 107
第7 章　用GraphX 分析伴生网络 109
7．1　对MEDLINE 文献引用索引的网络分析 110
7．2　获取数据 111
7．3　用Scala XML 工具解析XML 文档 113
7．4　分析MeSH 主要主题及其伴生关系 114
7．5　用GraphX 来建立一个伴生网络 116
7．6　理解网络结构 119
7．6．1　连通组件 119
7．6．2　度的分布 122
7．7　过滤噪声边 124
7．7．1　处理EdgeTriplet 125
7．7．2　分析去掉噪声边的子图 126
7．8　小世界网络 127
7．8．1　系和聚类系数 128
7．8．2　用Pregel 计算平均路径长度 129
7．9　小结 133
第8 章　纽约出租车轨迹的空间和时间数据分析 135
8．1　数据的获取 136
8．2　基于Spark 的时间和空间数据分析 136
8．3　基于JodaTime 和NScalaTime 的时间数据处理 137
8．4　基于Esri Geometry API 和Spray 的地理空间数据处理 138
8．4．1　认识Esri Geometry API 139
8．4．2　GeoJSON 简介 140
8．5　纽约市出租车客运数据的预处理 142
8．5．1　大规模数据中的非法记录处理 143
8．5．2　地理空间分析 147
8．6　基于Spark 的会话分析 149
8．7　小结 153
第9 章　基于蒙特卡罗模拟的金融风险评估 155
9．1　术语 156
9．2　VaR 计算方法 157
9．2．1　方差- 协方差法 157
9．2．2　历史模拟法 157
9．2．3　蒙特卡罗模拟法 157
9．3　我们的模型 158
9．4　获取数据 158
9．5　数据预处理 159
9．6　确定市场因素的权重 162
9．7　采样 164
9．8　运行试验 167
9．9　回报分布的可视化 170
9．10　结果的评估 171
9．11　小结 173
第10 章　基因数据分析和BDG 项目 175
10．1　分离存储与模型 176
10．2　用ADAM CLI 导入基因学数据 178
10．3　从ENCODE 数据预测转录因子结合位点 185
10．4　查询1000 Genomes 项目中的基因型 191
10．5　小结 193
第11 章　基于PySpark 和Thunder 的神经图像数据分析 195
11．1　PySpark 简介 196
11．2　Thunder 工具包概况和安装 199
11．3　用Thunder 加载数据 200
11．4　用Thunder 对神经元进行分类 207
11．5　小结 211
附录A　Spark 进阶 213
附录B　即将发布的MLlib Pipelines API 221
作者介绍 226
封面介绍 226

前言/序言

　　数据的爆炸式增长和隐藏在这些数据背后的商业价值催生了一代又一代的大数据处理技术。十年前 Hadoop 横空出世，Cloudera 首席架构师 Doug Cutting 先生将 Google 的 MapReduce 思想用开源的方式实现出来，由此拉开了基于 MapReduce 的大数据处理框架在企业中应用的序幕。最近几年，Hadoop 生态系统又发展出以 Spark 为代表的新计算框架。相比 MapReduce，Spark 速度快，开发简单，并且能同时兼顾批处理和实时数据分析。Spark 起源于加州大学伯克利分校的 AMPLab，Cloudera 公司作为大数据市场上的翘楚很早就开始将 Spark 推广到广大企业级客户并积累了大量的经验。Advanced Analysis with Spark 一书正是这些经验的结晶。另一方面，企业级用户在引入 Spark 技术时碰到的最大难题之一就是能够灵活应用 Spark 技术的人才匮乏。听闻 Cloudera 中国公司的龚少成在与图灵公司一起为 Advanced Analysis with Spark 一书的中文版在日夜奋战，我便欣然作序，也算是为国内企业更好地应用 Spark 技术尽自己的一份力量！

　　本书开篇介绍了 Spark 的基础知识，然后详细介绍了如何将 Spark 应用到各个行业。与许多书籍只着重描述最终方案不同，本书作者在介绍案例时把解决问题的整个过程也展现了出来。在介绍一个主题时，并不是一开始就给出最终方案，而是先给出一个最初并不完善的方案，然后指出方案的不足，引导读者思考并逐步改进，最终得出一个相对完善的方案。这体现了工程问题的解决思路，也体现了大数据分析是一个迭代的过程，这样的论述方式更能激发读者的思考，这一点实在难能可贵。

　　本书英文版自出版以来在亚马逊网站大数据分析类书籍中一直名列前茅，而且获得的多为五星级评价，可见国外读者对该书的喜爱。本书中文版译者龚少成技术扎实，在英特尔和 Cloudera 工作期间带领团队成功实施过许多大数据平台项目，而且其英语功底也相当扎实，此外我偶然得知他还是国内少数通过高级口译考试的专业人才。所以本书的中文版交给龚少成翻译实在是件让人欣慰的事情。本书中文版初稿也证实了我的判断，不仅保持了英文版的风格，而且语言也十分流畅。如果你了解 Scala 语言，还有一些统计学和机器学习基础，那么本书是你学习 Spark 时必备的书籍之一！

　　——苗凯翔，Cloudera 公司副总裁

很不错的书，值得一看，学到很多东西

相比hadoop这本书就很小巧了，以后慢慢啃先屯一波，书的质量不错值得购买。

很好很强大

内容略少，写的不错

送货上门及时产品质量很好。

　　本书由Spark开发者编写，可以让数据科学家和工程师即刻上手。你能学到如何使用简短的代码实现复杂的并行作业，还能了解从简单的批处理作业到流处理以及机器学习等应用。

单位集体买书，一下子买了很多书，物流非常快，书质量很好，学习了很多知识！老早就想买了，书打开不错，又要开始学习了！

就是卡拉卡斯你家的监督检查阶段

对学习挺有帮助的。书本质量不错。