摘要：
1.选择使用什么数据，有哪些字段，多大数据量。 本次实验数据集来自和鲸社区的信用卡评分模型构建数据 ，以数据集cs-training.csv为分析主体，其中共有15万条记录，11列属性。 SeriousDlqin2yrs: 是否逾期。RevolvingUtilizationOfUnsecuredLi 阅读全文
摘要：
1.安装启动检查Mysql服务。 2.spark 连接mysql驱动程。 –cp /usr/local/hive/lib/mysql-connector-java-5.1.40-bin.jar /usr/local/spark/jars 3.启动 Mysql shell，新建数据库spark，表st 阅读全文
摘要：
1.用DataFrame的操作或SQL语句完成以下数据分析要求： 2.总共有多少学生？ 3.开设了多少门课程？ 4.每个学生选修了多少门课？ 5.每门课程有多少个学生选？ 6.Tom选修了几门课？每门课多少分？ 7.Tom的成绩按分数大小排序。 8.Tom的平均分。 9.每个分数+5分。 10.求每 阅读全文
摘要：
一、词频统计： 1.读文本文件生成RDD lines lines = sc.textFile('file:///home/hadoop/word.txt') 2.将一行一行的文本分割成单词 words flatmap( words=lines.flatMap(lambda line:line.spl 阅读全文
摘要：
一、词频统计： 1.读文本文件生成RDD lines lines=sc.textFile("file:/mycode/rdd/word.txt") lines.foreach(print) 2.将一行一行的文本分割成单词 words flatmap() 3.全部转换为小写 lower() 4.去掉长 阅读全文
摘要：
1.准备文本文件从文件创建RDD lines=sc.textFile()筛选出含某个单词的行 lines.filter()lambda 参数：条件表达式 2.生成单词的列表从列表创建RDD words=sc.parallelize()筛选出长度大于2 的单词 words.filter() 3. 筛选 阅读全文
摘要：
1. 阐述Hadoop生态系统中，HDFS, MapReduce, Yarn, Hbase及Spark的相互关系，为什么要引入Yarn和Spark。 HDFS（Hadoop分布式文件系统）：HDFS是Hadoop体系中数据存储管理的基础，它是一个高度容错的系统，能检测和应对硬件故障，在低成本的通用硬 阅读全文
摘要：
2.1 数据准备 数据集下载与查看 cd /usr/local ls sudo mkdir bigdatacase sudo chown -R hadoop:hadoop ./bigdatacase cd bigdatacase mkdir dataset cd ~/下载 ls unzip user 阅读全文