TheMountainGhost的博客

要将现有的 Hadoop 伪分布式配置升级为完全分布式环境，你需要对多个配置文件进行修改，同时在多台主机上配置相应的服务。根据你的集群配置（1 个 NameNode 和 2 个 DataNode），以下是完整的配置步骤。

通过这些步骤，你应该成功配置并运行了 HBase 的伪分布式模式。在配置过程中，确保每个配置文件都正确，并按照顺序启动和验证服务是否运行正常。

关闭防火墙和SELinux。

配置JAVA_HOME环境变量，以及将$JAVA_HOME/bin文件夹加入PATH环境变量中。创建文件夹，用来部署JDK，将JDK安装部署到：/export/server 内。通过FinalShell，上传下载好的JDK安装包。登陆Linux系统，切换到root用户。配置java执行程序的软链接。解压缩JDK安装文件。

不论是Windows还是Linux亦或是MacOS系统，都是支持这两种使用形式。图形化：使用操作系统提供的图形化页面，以获得图形化反馈的形式去使用操作系统。命令行：使用操作系统提供的各类命令，以获得字符反馈的形式去使用操作系统。

HBase可以工作在Linux和Windows操作系统上。但一般都是安装在Linux操作系统上面。个人pc安装的操作系统一般都是Windows或MacOS，那我们想安装HBase岂不是要重装系统？如何获得Linux操作系统环境？这就要涉及到虚拟机了。

np.linspace主要用来创建等差数列。np.linspace参数：numpy.linspace(start, stop, num=50, endpoint=True, retstep=False, dtype=None, axis=0)Return evenly spaced numbers over a specified interval.(在start和stop之间返回均匀间隔的数据)Returns num evenly spaced samples, calculated over

 np.newaxisnp.newaxis 的功能是增加新的维度，但是要注意 np.newaxis 放的位置不同，产生的矩阵形状也不同。通常按照如下规则：np.newaxis 放在哪个位置，就会给哪个位置增加维度x[:, np.newaxis] ，放在后面，会给列上增加维度x[np.newaxis, :] ，放在前面，会给行上增加维度用途： 通常用它将一维的数据转换成一个矩阵，这样就可以与其他矩阵进行相乘。例1：这里的 x 是一维数据，其 shape 是 4，可以看到通过在列方向上

 astype函数用于array中数值类型转换x = np.array([1, 2, 2.5])x.astype(int)输出array([1, 2, 2]) arr = np.arange((10))print(arr, arr.dtype, sep="
")[0 1 2 3 4 5 6 7 8 9]int32 #可以看到，他的数据类型为 int32 arr = arr.astype("float32")print(arr, arr.

 numpy.digitize(x, bins, right = False) 参数：x : numpy数组bins :一维单调数组，必须是升序或者降序right：间隔是否包含最右返回值：x在bins中的位置。 Example:import numpy as npbins = np.array(range(-99, 102, 3))a = np.digitize(-98,bins) #a=1b = np.digitize(68,bins) #b=56

numpy.random.randint(low, high=None, size=None, dtype=‘l’)函数的作用是，返回一个随机整型数，范围从低（包括）到高（不包括），即[low, high)。如果没有写参数high的值，则返回[0,low)的值。参数如下：low: int生成的数值最低要大于等于low。（hign = None时，生成的数值要在[0, low)区间内）high: int (可选)如果使用这个值，则生成的数值在[low, high)区间。size:

percentile(a, q, axis=None, out=None, overwrite_input=False, interpolation='linear', keepdims=False)作用：找到一组数的分位数值，如四分位数等(具体什么位置根据自己定义)a : array，用来算分位数的对象，可以是多维的数组q : 介于0-100的float，用来计算是几分位的参数，如四分之一位就是25，如要算两个位置的数就(25,75)axis : 坐标轴的方向，一维的就不用考虑了，多维的就用这个

该函数的名称来自“peak to peak”的首字母缩写词对所有数据计算求最大值和最小值的差值的方法1 a.ptp())对所有数据计算求最大值和最小值的差值的方法2 np.ptp(a))Examples>>> x = np.array([[4, 9, 2, 10],... [6, 9, 7, 12]])>>> np.ptp(x, axis=1) # axis=1时, 每行最大值 - 每行最小值array([8,

np.amax和np.max是同一个函数.例如( 来自官方文档: help(np.amax) ):>>> a = np.arange(4).reshape((2,2))>>> aarray([[0, 1], [2, 3]]) >>> np.amax(a) # Maximum of the flattened array3>>> np.amax(a, axis=None)