数据算法 Hadoop/Spark大数据处理技巧pdf

数据算法 Hadoop/Spark大数据处理技巧 作者：[美] Mahmoud Parsian（马哈默德·帕瑞斯安）

数据算法 Hadoop/Spark大数据处理技巧 出版社：中国电力出版社

数据算法 Hadoop/Spark大数据处理技巧 内容简介

《数据算法：Hadoop/Spark大数据处理技巧》介绍了很多基本设计模式、优化技术和数据挖掘及机器学习解决方案，以解决生物信息学、基因组学、统计和社交网络分析等领域的很多问题。这还概要介绍了MapReduce、Hadoop和Spark。

主要内容包括：

■ 完成超大量交易的购物篮分析。

■ 数据挖掘算法（K-均值、KNN和朴素贝叶斯）。

■ 使用超大基因组数据完成DNA和RNA测序。

■ 朴素贝叶斯定理和马尔可夫链实现数据和市场预测。

■ 推荐算法和成对文档相似性。

■ 线性回归、Cox回归和皮尔逊（Pearson）相关分析。

■ 等位基因频率和DNA挖掘。

■ 社交网络分析（推荐系统、三角形计数和情感分析）。

数据算法 Hadoop/Spark大数据处理技巧 目录

序 1

前言 3

第1章二次排序：简介 19

二次排序问题解决方案 21

MapReduce/Hadoop的二次排序解决方案 25

Spark的二次排序解决方案 29

第2章二次排序：详细示例 42

二次排序技术 43

二次排序的完整示例 46

运行示例——老版本Hadoop API 50

运行示例——新版本Hadoop API 52

第3章 Top 10 列表 54

Top N 设计模式的形式化描述 55

MapReduce/Hadoop实现：唯一键 56

Spark实现：唯一键 62

Spark实现：非唯一键 73

使用takeOrdered()的Spark Top 10 解决方案 84

MapReduce/Hadoop Top 10 解决方案：非唯一键 91

第4章左外连接 96

左外连接示例 96

MapReduce左外连接实现 99

Spark左外连接实现 105

使用leftOuterJoin()的Spark实现 117

第5章反转排序 127

反转排序模式示例 128

反转排序模式的MapReduce/Hadoop实现 129

运行示例 134

第6章移动平均 137

示例1：时间序列数据（股票价格） 137

示例2：时间序列数据（URL访问数） 138

形式定义 139

POJO移动平均解决方案 140

MapReduce/Hadoop移动平均解决方案 143

第7章购物篮分析 155

MBA目标 155

MBA的应用领域 157

使用MapReduce的购物篮分析 157

Spark解决方案 166

运行Spark实现的YARN 脚本 179

第8章共同好友 182

输入 183

POJO共同好友解决方案 183

MapReduce算法 184

解决方案1: 使用文本的Hadoop实现 187

解决方案2: 使用ArrayListOfLongsWritable 的Hadoop实现 189

Spark解决方案 191

第9章使用MapReduce实现推荐引擎 201

购买过该商品的顾客还购买了哪些商品 202

经常一起购买的商品 206

推荐连接 210

第10章基于内容的电影推荐 225

输入 226

MapReduce阶段1 226

MapReduce阶段2和阶段3 227

Spark电影推荐实现 234

第11章使用马尔可夫模型的智能邮件营销 .253

马尔可夫链基本原理 254

使用MapReduce的马尔可夫模型 256

Spark解决方案 269

第12章 K-均值聚类 282

什么是K-均值聚类? 285

聚类的应用领域 285

K-均值聚类方法非形式化描述：分区方法 286

K-均值距离函数 286

K-均值聚类形式化描述 287

K-均值聚类的MapReduce解决方案 288

K-均值算法Spark实现 292

第13章 k-近邻 296

kNN分类 297

距离函数 297

kNN示例 298

kNN算法非形式化描述 299

kNN算法形式化描述 299

kNN的类Java非MapReduce 解决方案 299

Spark的kNN算法实现 301

第14章朴素贝叶斯 315

训练和学习示例 316

条件概率 319

深入分析朴素贝叶斯分类器 319

朴素贝叶斯分类器：符号数据的MapReduce解决方案 322

朴素贝叶斯分类器Spark实现 332

使用Spark和Mahout 347

第15章情感分析 349

情感示例 350

情感分数：正面或负面 350

一个简单的MapReduce情感分析示例 351

真实世界的情感分析 353

第16章查找、统计和列出大图中的所有三角形 354

基本的图概念 355

三角形计数的重要性 356

MapReduce/Hadoop解决方案 357

Spark解决方案 364

第17章 K-mer计数 375

K-mer计数的输入数据 376

K-mer计数应用 376

K-mer计数MapReduce/Hadoop解决方案 377

K-mer计数Spark解决方案 378

第18章 DNA测序 390

DNA测序的输入数据 392

输入数据验证 393

DNA序列比对 393

DNA测试的MapReduce算法 394

第19章 Cox回归 413

Cox模型剖析 414

使用R的Cox回归 415

Cox回归应用 416

Cox回归 POJO解决方案 417

MapReduce输入 418

使用MapReduce的Cox回归 419

第20章 Cochran-Armitage趋势检验 426

Cochran-Armitage算法 427

Cochran-Armitage应用 432

MapReduce解决方案 435

第21章等位基因频率 443

基本定义 444

形式化问题描述 448

等位基因频率分析的MapReduce解决方案 449

MapReduce解决方案, 阶段1 449

MapReduce解决方案，阶段2 459

MapReduce解决方案, 阶段3 463

染色体X 和Y的特殊处理 466

第22章 T检验 468

对bioset完成T检验 469

MapReduce问题描述 472

输入 472

期望输出 473

MapReduce解决方案 473

Spark实现 476

第23章皮尔逊相关系数 488

皮尔逊相关系数公式 489

皮尔逊相关系数示例 491

皮尔逊相关系数数据集 492

皮尔逊相关系数POJO 解决方案 492

皮尔逊相关系数MapReduce解决方案 493

皮尔逊相关系数的Spark 解决方案 496

运行Spark程序的YARN 脚本 516

使用Spark计算斯皮尔曼相关系数 517

第24章 DNA碱基计数 520

FASTA 格式 521

FASTQ 格式 522

MapReduce解决方案：FASTA 格式 522

运行示例 524

MapReduce解决方案: FASTQ 格式 528

Spark 解决方案: FASTA 格式 533

Spark解决方案: FASTQ 格式 537

第25章 RNA测序 543

数据大小和格式 543

MapReduce工作流 544

RNA测序分析概述 544

RNA测序MapReduce算法 548

第26章基因聚合 553

输入 554

输出 554

MapReduce解决方案（按单个值过滤和按平均值过滤） 555

基因聚合的Spark解决方案 567

Spark解决方案：按单个值过滤 567

Spark解决方案：按平均值过滤 576

第27章线性回归 586

基本定义 587

简单示例 587

问题描述 588

输入数据 589

期望输出 590

使用SimpleRegression的MapReduce解决方案 590

Hadoop实现类 593

使用R线性模型的MapReduce解决方案 593

第28章 MapReduce和幺半群 600

概述 600

幺半群的定义 602

幺半群和非幺半群示例 603

MapReduce示例：非幺半群 606

MapReduce示例：幺半群 608

使用幺半群的Spark示例 612

使用幺半群的结论 618

函子和幺半群 619

第29章小文件问题 622

解决方案1：在客户端合并小文件 623

解决方案2：用CombineFileInputFormat解决小文件问题 629

其他解决方案 634

第30章 MapReduce的大容量缓存 635

实现方案 636

缓存问题形式化描述 637

一个精巧、可伸缩的解决方案 637

实现LRUMap缓存 640

使用LRUMap的MapReduce解决方案 646

第31章 Bloom过滤器 651Bloom

过滤器性质 651

一个简单的Bloom过滤器示例 653