Apache Spark机器学习.2.4　数据集重组-低调大师

Apache Spark机器学习.2.4　数据集重组

2017-05-01 601

2.4　数据集重组

本节，我们介绍数据集重组技术。我们将讨论一些特殊的Spark数据重组特征，以及一些可以用在Spark notebook中基于R语言数据重组的特别方法。

学习完本节，我们可以根据不同的机器学习需要进行数据集重组。

2.4.1　数据集重组任务

数据集重组虽然听起来比较容易，但还是很有挑战，并且非常耗时。

有两个常见的数据重组任务：一是，获取一个用于建模的数据子集；二是，以更高的层次汇总数据。例如，我们有学生数据，但是我们需要一些班级层面的数据集。为此，我们需要计算学生的一些属性，然后重组为新的数据。

处理数据重组，数据科学家和机器学习从业者经常使用他们熟悉的SQL和R语言编程工具。幸运的是，在Spark环境中，Spark SQL和R notebook能够让用户沿用他们熟悉的方式。我们将在下面两节中详细说明。

总体来讲，我们推荐使

微信关注我们

原文链接：https://yq.aliyun.com/articles/84542

转载内容版权归作者及来源网站所有！

低调大师中文资讯倾力打造互联网数据资讯、行业资源、电子商务、移动互联网、网络营销平台。持续更新报道IT业界、互联网、市场资讯、驱动更新,是最及时权威的产业资讯及硬件资讯报道平台。

Apache Spark机器学习.2.3　一致性匹配

2.3　一致性匹配本节，我们将讨论一个重要的数据准备主题，就是一致性匹配和相关解决方案。我们将讨论几个使用Spark解决一致性问题的特征和使用Spark的数据匹配解决方案。阅读本节以后，读者可以使用Spark解决一些常见的数据一致性问题。 2.3.1　一致性问题我们经常需要在数据准备过程中处理一些属于同一个人或单元的数据元素，但这些元素并不相似。例如，我们有一些Larry Z.的购物数据和L. Zhang的网页活动数据。Larry Z.和L. Zhang是否是同一个人？数据中是否有很多一致性的变化。由于实体变异的类型非常普遍，可能引起的原因有：重复、错误、名字变化和有意的别名等，使得对象匹配成为机器学习数据准备中的一个巨大挑战。有时，完成匹配或寻找关联都非常困难，而且这些工作非常耗时。然而，任何种类的错误匹配将产生许多错误，数据的不

2017-05-01

681

本节书摘来异步社区《HBase管理指南》一书中的第1章，第1.1节，作者：蒋燚峰译者：苏南，更多章节内容可以访问云栖社区“异步社区”公众号查看。第1章　HBase集群安装 HBase管理指南本章内容：快速入门 Amazon EC2的安装及准备 Hadoop安装 ZooKeeper安装内核参数设置修改 HBase安装 Hadoop/ZooKeeper/HBase基本配置多个高可靠性（HA）主节点的安装

2017-05-01

579

资源下载

更多资源

腾讯云软件源

为解决软件依赖安装时官方源访问速度慢的问题，腾讯云为一些软件搭建了缓存服务。您可以通过使用腾讯云软件源站来提升依赖包的安装速度。为了方便用户自由搭建服务架构，目前腾讯云软件源站支持公网访问和内网访问。

Rocky Linux

Rocky Linux（中文名：洛基）是由Gregory Kurtzer于2020年12月发起的企业级Linux发行版，作为CentOS稳定版停止维护后与RHEL（Red Hat Enterprise Linux）完全兼容的开源替代方案，由社区拥有并管理，支持x86_64、aarch64等架构。其通过重新编译RHEL源代码提供长期稳定性，采用模块化包装和SELinux安全架构，默认包含GNOME桌面环境及XFS文件系统，支持十年生命周期更新。

Sublime Text

Sublime Text具有漂亮的用户界面和强大的功能，例如代码缩略图，Python的插件，代码段等。还可自定义键绑定，菜单和工具栏。Sublime Text 的主要功能包括：拼写检查，书签，完整的 Python API ， Goto 功能，即时项目切换，多选择，多窗口等等。Sublime Text 是一个跨平台的编辑器，同时支持Windows、Linux、Mac OS X等操作系统。

WebStorm

WebStorm 是jetbrains公司旗下一款JavaScript 开发工具。目前已经被广大中国JS开发者誉为“Web前端开发神器”、“最强大的HTML5编辑器”、“最智能的JavaScript IDE”等。与IntelliJ IDEA同源，继承了IntelliJ IDEA强大的JS部分的功能。