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...