Sparklyr与Docker的推荐系统实战

最新推荐文章于 2023-12-20 13:36:21 发布

R语言中文社区

最新推荐文章于 2023-12-20 13:36:21 发布

阅读量371

点赞数

概述

大数据时代，做数据分析的人才辈出，Java、Scala、Go、Julia、Python、JavaScript都不断涌现出很多数据分析的新工具，然而对于数据分析来说，这些工具都不是分析的核心，分析的核心在于对市场业务、对具体数据的理解。相信你也见过太多脱离具体应用场景和业务数据而空谈算法的『数据分析大师』了。算法的文章在教科书、论文、已经各种文章里面都是大把大把的，然而大道至简，真正能将算法转化为生产力解决实际问题才是关键。

作为统计学出身的人，真心无力折腾Java的设计模式、JS的异步回调，我们更倾向于把精力放在数据、模型、分析、拟合、预测、检验、报告等等。在SparkR之后，RStudio公司又推出了全新力作Sparklyr，全面继承dplyr的操作规范。通过Sparklyr和Docker的完美结合，Spark的大数据计算引擎门槛进一步降低！不仅仅简化了分布式计算的操作，还简化了安装部署的环节，我们只几乎不需要做什么改动就可以直接运用R中的dplyr进行分布式的计算，几乎不需要学习此前Scala风格的API。

什么是Sparklyr

Sparklyr顾名思义就是 Spark + dplyr。首先，它实现了将dplyr的data frame所有操作规范对Spark计算引擎的完整封装。其次，它是的R可以透过Spark的MLib机器学习库拓展分布式机器学习算法的能力。最后，对于其他Spark功能，我们还可以通过`sparkapi`来调用所有Spark库中的Scala接口。

目前，最新版本的RStudio 已经集成了Spark引擎，本文将带你快速进入大数据分析领域。

什么是Docker

Docker是类似于虚拟机的一种虚拟化软件，让我们可以在不同操作系统上运行相同的软件。它主要解决了虚拟机安装软件速度比较慢的问题，相对于虚拟机，Docker的启动速度是秒级的。本文将通过一个详细的例子，指导各位R语言的爱好者快速安装带有Spark功能的RStudio软件，快速开启您的大数据之旅。

软件安装

鉴于大量数据分析用户还是以Windows操作系统为主，或许还深度绑定了Excel这样的数据分析神器，本文将放弃以Unix视角，采用Windows视角为各位看官介绍软件安装过程。

步骤一：安装Windows版本Docker

你可以进入http://www.docker.com的官网首页，看到软件下载链接，这里需要您的操作系统在Windows 10及其以上版本。如果不想进入官网，也可以点击这个链接：download.docker.com/win

下载之后根据系统提示默认安装即可，不得不说，Docker是一个神奇的软件。

步骤二：启动Docker软件

点击软件图标即可启动Docker软件(最新版本号和此图有可能并不一致)。接着，您可以选择打开系统自带Powershell软件，向Powershell中复制粘贴如下命令：

docker run -d -p 8787:8787 --name financer index.tenxcloud.com/7harryprince/sparkr-rstudio

这时候只需要耐心等待您的大数据分析系统安装完成。（软件大概会占用4G左右的空间，我已经为你预先为你一站式安装了最新的 Shiny, R markdown，R notebook，jdk8，gcc5.3,R 3.3 以及其他数据分析常用的R包）

步骤三：访问RStuido软件

一旦软件完成安装，你可以在Chrome或者Edge中输入下面的地址访问到RStudio软件:

localhost:8787

最后，输入默认账号`harryzhu`,密码`harryzhu`即可进入RStudio软件。

推荐系统实战

library(sparkxgb)
library(sparklyr)
library(dplyr)
library(nycflights13)
Sys.setenv(SPARK_HOME="/opt/spark-2.4.0-bin-hadoop2.7")
Sys.getenv("SPARK_HOME")
sc = spark_connect("local")
spark_flights <- sdf_copy_to(sc, flights)

以 Xgboost 模型为例建立一个航班延误的推荐模型

pak::pkg_install("sparkxgb") 
library(sparkxgb)

spark_flights <- sdf_copy_to(sc, flights)

xgb_pipeline <- ml_pipeline(sc) %>%
  ft_dplyr_transformer(
    tbl = spark_flights
  ) %>%
  ft_binarizer(
    input.col = "dep_delay",
    output.col = "delayed",
    threshold = 15
  ) %>%
  ft_bucketizer(
    input.col = "sched_dep_time",
    output.col = "hours",
    splits = c(400, 800, 1200, 1600, 2000, 2400)