数据挖掘建模实例

 

一、数据抽取

日均增长数据 10G，取宽度为 2年的时间段作为观测窗口，项目数据为 6 T（若日均增长数据 14 G，则项目数据 10 T）。

TB 量级以上的海量数据，要考虑存储和计算的效率问题。

基于分布式存储以后，数据被分布式存储在不同的服务器上，那么可以采用分布式计算框架（Mapreduce，Spark）来进行并行计算，大幅度提高工作效率。l

方法一，使用 Hive 导入数据到 HDFS：

导入数据语法如下：

LOAD DATA [LOCAL] INPATH 'filepath' OVERWRITE INTO TABLE table_name PARTITION(字段=‘值’)

Hive中导入数据有4种方式：本地导入、HDFS 导入、单表插入、多表插入

LOAD操作将数据文件移动到 Hive 表对应的位置，如果没有 local 关键字，那么会查找 HDFS 上面l的路径。

filepath 可以是如下类型：

• 相对路径：例如 project/data
• 绝对路径：例如 /usr/hive/project/data     （推荐使用）
• 包含模式的完整 URL：例如  hdfs:/namenode:8020/user/hive/project/data

OVERWRITE 指定覆盖表之前的数据，如果是追加，则去掉 OVERWRITE 关键字

创建”石油产量原始数据表“ t_oilwproduction_origin 表，本地导入数据 hive/data/oilinfo.txt:

#创建表 t_oilwproduction_origin
CREATE TABLE t_oilproduction_origin(
oilwell_ID int,
oilw_output_total string,  #产量
oilw_output_volume string,  #产量体积
oilw_output_water string, #产量含水量
oilw_output_effoil string,  #有效产油量
oilw_concentration string,  #采聚浓度  产量/产量体积
oilw_pressure string,  #井下压力
oilw_pressure_eff string  #破裂压力) 
ROW FORMAT DELIMATED FIELDS TERMINATED BY ',';    #表列数据用 ‘,’ 分隔

#导入数据
LOAD DATA [local] INPATH 'hive/data/oilinfo.txt' OVERWRITE INTO TABLE t_oilproduction_origin;

单表插入：从一张表中查询数据插入另一张表，两张表都是