前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >大数据Python:3大数据分析工具

大数据Python:3大数据分析工具

作者头像
February
发布2018-12-13 14:14:12
4.2K0
发布2018-12-13 14:14:12
举报
文章被收录于专栏:技术翻译

在这篇文章中,我们将讨论三个令人敬畏的大数据Python工具,以使用生产数据提高您的大数据编程技能。

介绍

在本文中,我假设您使用virtualenv,pyenv或其他变体在其自己的环境中运行Python。

本文中的示例使用IPython,因此如果您愿意,请确保已安装它。

代码语言:javascript
复制
$ mkdir python-big-data
$ cd python-big-data
$ virtualenv ../venvs/python-big-data
$ source ../venvs/python-big-data/bin/activate
$ pip install ipython
$ pip install pandas
$ pip install pyspark
$ pip install scikit-learn
$ pip install scipy

现在让我们来看一些数据。

Python数据

在我们阅读本文时,我将使用一些示例数据来完成这些示例。

我们将使用的Python数据是在几天的时间内从该网站获得的实际生产日志。这些数据在技术上并不是大数据,因为它的大小只有大约2 Mb,但它对我们的目的来说非常有用。

为了获得大数据大小的样本(> 1Tb),我必须加强我的基础设施。

要获取示例数据,您可以使用git从我的公共GitHub存储库admintome / access-log-data中删除它:

代码语言:javascript
复制
$ git clone https://github.com/admintome/access-log-data.git

数据是一个简单的CSV文件,因此每行代表一个单独的日志,字段用逗号分隔:

代码语言:javascript
复制
2018-08-01 17:10,'www2','www_access','172.68.133.49 - - [01/Aug/2018:17:10:15 +0000] "GET /wp-content/uploads/2018/07/spark-mesos-job-complete-1024x634.png HTTP/1.0" 200 151587 "https://dzone.com/" "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_6) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.99 Safari/537.36"'

现在我们已经拥有了将要使用的数据,让我们来看看三个大数据Python工具。

由于可以对数据执行的许多操作的复杂性,本文将重点介绍如何加载数据并获取一小部分数据样本。

对于列出的每个工具,我将提供链接以了解更多信息。

Python Pandas

我们将讨论的第一个工具是Python Pandas。正如它的网站所述,Pandas是一个开源的Python数据分析库。

让我们启动IPython并对我们的示例数据进行一些操作。

代码语言:javascript
复制
import pandas as pd
headers = ["datetime", "source", "type", "log"]
df = pd.read_csv('access_logs_parsed.csv', quotechar="'", names=headers)

大约一秒后它应该回复:

代码语言:javascript
复制
[6844 rows x 4 columns]
In [3]:

如您所见,我们有大约7000行数据,我们可以看到它找到了四列与上述模式匹配的列。

Pandas自动创建了一个表示我们CSV文件的DataFrame对象!让我们看看用该head()函数导入的数据样本 。

代码语言:javascript
复制
In [11]: df.head()
Out[11]: 
           datetime source        type                                                log
0  2018-08-01 17:10   www2  www_access  172.68.133.49 - - [01/Aug/2018:17:10:15 +0000]...
1  2018-08-01 17:10   www2  www_access  162.158.255.185 - - [01/Aug/2018:17:10:15 +000...
2  2018-08-01 17:10   www2  www_access  108.162.238.234 - - [01/Aug/2018:17:10:22 +000...
3  2018-08-01 17:10   www2  www_access  172.68.47.211 - - [01/Aug/2018:17:10:50 +0000]...
4  2018-08-01 17:11   www2  www_access  141.101.96.28 - - [01/Aug/2018:17:11:11 +0000]...

使用Python Pandas和Big Data可以做很多事情。单独使用Python非常适合修改数据并做好准备。现在有了Pandas,您也可以在Python中进行数据分析。数据科学家通常将Python Pandas与IPython一起使用,以交互方式分析大量数据集,并从该数据中获取有意义的商业智能。查看上面的网站了解更多信息。

PySpark

我们将讨论的下一个工具是PySpark。这是来自Apache Spark项目的大数据分析库。

PySpark为我们提供了许多用于在Python中分析大数据的功能。它带有自己的shell,您可以从命令行运行它。

代码语言:javascript
复制
$ pyspark

这会加载pyspark shell。

代码语言:javascript
复制
(python-big-data)[email protected]:~/Development/access-log-data$ pyspark Python 3.6.5 (default, Apr 1 2018, 05:46:30) [GCC 7.3.0] on linux Type "help", "copyright", "credits" or "license" for more information. 2018-08-03 18:13:38 WARN Utils:66 - Your hostname, admintome resolves to a loopback address: 127.0.1.1; using 192.168.1.153 instead (on interface enp0s3) 2018-08-03 18:13:38 WARN Utils:66 - Set SPARK_LOCAL_IP if you need to bind to another address 2018-08-03 18:13:39 WARN NativeCodeLoader:62 - Unable to load native-hadoop library for your platform... using builtin-java classes where applicable Setting default log level to "WARN". To adjust logging level use sc.setLogLevel(newLevel). For SparkR, use setLogLevel(newLevel). Welcome to ____ __ / __/__ ___ _____/ /__ _\ \/ _ \/ _ `/ __/ '_/ /__ / .__/\_,_/_/ /_/\_\ version 2.3.1 /_/ Using Python version 3.6.5 (default, Apr 1 2018 05:46:30) SparkSession available as 'spark'. >>>

当你启动shell时,你也会得到一个Web GUI来查看你的工作状态; 只需浏览即可http://localhost:4040获得PySpark Web GUI。

让我们使用PySpark Shell加载我们的示例数据。

代码语言:javascript
复制
dataframe = spark.read.format("csv").option("header","false").option("mode","DROPMALFORMED").option("quote","'").load("access_logs.csv")
dataframe.show()

PySpark将为我们提供已创建的DataFrame示例。

代码语言:javascript
复制
>>> dataframe2.show()
+----------------+----+----------+--------------------+
|             _c0| _c1|       _c2|                 _c3|
+----------------+----+----------+--------------------+
|2018-08-01 17:10|www2|www_access|172.68.133.49 - -...|
|2018-08-01 17:10|www2|www_access|162.158.255.185 -...|
|2018-08-01 17:10|www2|www_access|108.162.238.234 -...|
|2018-08-01 17:10|www2|www_access|172.68.47.211 - -...|
|2018-08-01 17:11|www2|www_access|141.101.96.28 - -...|
|2018-08-01 17:11|www2|www_access|141.101.96.28 - -...|
|2018-08-01 17:11|www2|www_access|162.158.50.89 - -...|
|2018-08-01 17:12|www2|www_access|192.168.1.7 - - [...|
|2018-08-01 17:12|www2|www_access|172.68.47.151 - -...|
|2018-08-01 17:12|www2|www_access|192.168.1.7 - - [...|
|2018-08-01 17:12|www2|www_access|141.101.76.83 - -...|
|2018-08-01 17:14|www2|www_access|172.68.218.41 - -...|
|2018-08-01 17:14|www2|www_access|172.68.218.47 - -...|
|2018-08-01 17:14|www2|www_access|172.69.70.72 - - ...|
|2018-08-01 17:15|www2|www_access|172.68.63.24 - - ...|
|2018-08-01 17:18|www2|www_access|192.168.1.7 - - [...|
|2018-08-01 17:18|www2|www_access|141.101.99.138 - ...|
|2018-08-01 17:19|www2|www_access|192.168.1.7 - - [...|
|2018-08-01 17:19|www2|www_access|162.158.89.74 - -...|
|2018-08-01 17:19|www2|www_access|172.68.54.35 - - ...|
+----------------+----+----------+--------------------+
only showing top 20 rows

我们再次看到DataFrame中有四列与我们的模式匹配。DataFrame只是数据的内存中表示,可以被视为数据库表或Excel电子表格。

现在我们的最后一个工具。

Python SciKit-Learn

任何关于大数据的讨论都会引发关于机器学习的讨论。而且,幸运的是,Python开发人员有很多选择来使用机器学习算法。

在没有详细介绍机器学习的情况下,我们需要获得一些执行机器学习的数据。我在本文中提供的示例数据不能正常工作,因为它不是数字数据。我们需要操纵数据并将其呈现为数字格式,这超出了本文的范围。例如,我们可以按时间映射日志条目以获得具有两列的DataFrame:一分钟内的日志数和当前分钟:

代码语言:javascript
复制
+------------------+---+
| 2018-08-01 17:10 | 4 |
+------------------+---+
| 2018-08-01 17:11 | 1 |
+------------------+---+

通过这种形式的数据,我们可以执行机器学习来预测未来可能获得的访客数量。但是,正如我所提到的,这超出了本文的范围。

幸运的是,SciKit-Learn附带了一些样本数据集!让我们加载一些示例数据,看看我们能做些什么。

代码语言:javascript
复制
In [1]: from sklearn import datasets
In [2]: iris = datasets.load_iris()
In [3]: digits = datasets.load_digits()
In [4]: print(digits.data)
[[ 0.  0.  5. ...  0.  0.  0.]
 [ 0.  0.  0. ... 10.  0.  0.]
 [ 0.  0.  0. ... 16.  9.  0.]
 ...
 [ 0.  0.  1. ...  6.  0.  0.]
 [ 0.  0.  2. ... 12.  0.  0.]
 [ 0.  0. 10. ... 12.  1.  0.]]

这将加载两个用于分类机器学习算法的数据集,用于对数据进行分类。

查看SciKit-Learn Basic Tutorial了解相关信息。

结论

鉴于这三个Python大数据工具,Python是大数据游戏以及R和Scala的主要参与者。

我希望你喜欢这篇文章。如果您不熟悉大数据并希望了解更多信息,请务必在AdminTome在线培训中注册我的免费大数据入门课程。

原文标题《Big Data Python: 3 Big Data Analytics Tools》

作者:Bill Ward

译者:February

不代表云加社区观点,更多详情请查看原文链接

本文系外文翻译,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文系外文翻译前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
目录
  • 介绍
  • Python数据
  • Python Pandas
  • PySpark
  • Python SciKit-Learn
  • 结论
相关产品与服务
大数据
全栈大数据产品,面向海量数据场景,帮助您 “智理无数,心中有数”!
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档