Spark 大資料分析 MLlib,基本統計

2021-10-04 03:05:40 字數 1772 閱讀 5372

statistics的colstats函式是列統計方法,該方法可以計算每列最大值、最小值、平均值、方差值、l1範數、l2範數。

val datapath =

"e:\\scala_testdata\\sample_stat.txt"

val rdd = sc.

textfile

(datapath)

.map

(_.split

(" "))

.map

(d=>d.

map(d=

>d.todouble)

)val denserdd = rdd.

map(d=

>vectors.

dense

(d))

val stats = statistics.

colstats

(denserdd)

println

(stats.max)

println

(stats.min)

println

(stats.mean)

println

(stats.variance)

println

(stats.norml1)

println

(stats.norml2)

[12.0,7.0,6.0,100.0,23.0]

[1.0,2.0,1.0,4.0,3.0]

[5.25,4.25,3.0,29.5,9.75]

[24.917,4.92,4.7,2211.0,82.25]

[21.0,17.0,12.0,118.0,39.0]

[13.6,9.3,7.07,100.6,25.04]

pearson,spearman、cosine相似度、歐氏距離的平方,都可以用來描述兩個向量的相關性。

歐氏距離

計算歐氏距離是衡量兩個向量間相似度的常見方法。如果這個「距離」比較**明這兩個向量比較相似。

衡量向量相似度的一種方法。輸出範圍為-1到+1, 0代表無相關性,負值為負相關,正值為正相關。

cosine相似度

輸出範圍和pearson相關性係數一致,含義也相似。

spearman相關系統也用來表達兩個變數的相關性,但是它沒有pearson對變數的分布要求那麼嚴格,另外spearman相關係數可以更好地測度變數的排序關係。

Spark 大資料分析 介紹

spark的基本原理 executor worker task jobstage dagscheduler taskscheduler rdd一些疑問 一些結論 spark是乙個以複雜計算為核心的大資料分析框架,是mapreduce的 後繼者 具備高效性 通用性等特點。spark最初在2009年由加...

Spark快速大資料分析 RDD程式設計

rdd resilient distributed dataset 彈性分布式資料集 rdd就是乙個不可變的分布式物件集合。每個rdd都被分為多個分割槽,這些分割槽執行在集群中的不同節點。使用者可以通過2中方法建立rdd 1 讀取乙個外部資料集 sc.textfile test.txt 2 在驅動器...

大資料分析平台Hadoop與Spark之爭

zd至頂網軟體頻道訊息 原創文章 文 鄧曉蕾 有人把大資料稱為資訊資產 有人稱為金礦 甚至社會財富。而大資料,即,無法在可承受的時間範圍內用常規軟體工具進行捕捉 管理和處理的資料集合。gartne認為 大資料 是需要新處理模式才能具有更強的決策力 洞察發現力和流程優化能力的海量 高增長率和多樣化的資...