优秀大数据GitHub项目一览

企业正在迅速用新技术武装自己以便从大数据项目中获益。各行业对大数据分析人才的需求也迫使我们升级自己的技能以便寻找更好的职业发展。 
跳槽之前最好先搞清楚一个岗位会接触到的项目类型，这样你才能掌握所有需要的技能，工作的效率也会更高。 
下面我们尽量列出了一些流行的开源大数据项目。根据它们各自的授权协议，你或许可以在个人或者商业项目中使用这些项目的源代码。写作本文的目的也就是为大家介绍一些解决大数据相关问题可能会用到的工具。

1.Apache Mahout

我们可以使用Apache Mahout来快速创建高效扩展性又好的机器学习应用。Mahout结合了诸如H2O算法、Scala、Spark和Hadoop MapReduce等模块，为开发人员提供了一个构建可扩展算法的环境。现在最新的版本是去年11月6日发布的0.11.1版本。

Apache Mahout支持一个叫做Samsara的数学环境，用户可以在Samsara中使用它提供的常见算法来开发自己的数学解决方案。Samsara对于线性代数、数据结构和统计操作都有着很好的支持，而且可以通过Scala的Mahout扩展或Mahout库来进行定制。Samara对很多常见算法都进行了重写因此速度上有一定的提升。这里我们能列出的一些算法包括：朴素贝叶斯分类器、矩阵分解、协同过滤以及神经网络。新加入的相似性分析还可以通过分析用户的点击来实现共现推荐算法。

Apache Mahout GitHub地址：https://github.com/apache/mahout

2.Apache Spark

Apache Spark是一个为实时大数据分析所设计的开源数据处理引擎。目前Spark的大用户有雅虎、腾讯和百度，使用Spark处理的数据在PB级别，集群节点数目也超过8000。Apache Spark是GitHub上最大的数据处理项目之一，有超过750名开发人员都曾对项目做出过贡献。

与Hadoop MapReduce相比Apache Spark在内存中的运行速度快100倍，在硬盘中运行速度的差距也在10倍以上。Spark能够达到这样的速度靠的是DAG引擎和内存内计算性能的提升。开发语言可以使用Java、Python、Scala和R，此外Spark还提供了差不多100种集合操作符以便开发人员构建并行应用。

图：Spark生态系统

Apache Spark为机器学习、Spark Streaming和GraphX提供了众多强大的库，其中也包括为DataFrame和SQL所设计的库。开发人员可以用这些标准库来提升应用的性能和开发效率。Spark可以运行于很多环境中，如独立的集群、Hadoop YARN、EC2和Apache Mesos。Apache Spark也能从Hive、HBase、Tachyon、Cassandra和HDFS等数据源读取数据。

Apache Spark GitHub地址：https://github.com/apache/spark

3.Apache Storm

Apache Storm的设计针对的是流式数据，不过对于大数据的实时分析它也是很可靠的计算系统。它同样是一个开源项目而且开发人员可以使用所有的主流高级语言。Apache Storm主要用于以下应用：在线机器学习、连续计算、实时分析、ETL、分布式RPC。Apache Storm有配置方便、可用性高、容错性好及扩展性好等诸多优点，处理速度也极快，每个节点每秒可以处理数百万个tuple。

目前最新的Apache Storm是去年11月5日发布的0.9.6版。

Storm集群中有三种节点：Nimbus、Zookeeper和Supervisor。Nimbus与Hadoop的JobTracker类似，主要用于运算的上传、代码的分发和计算的监测。Zookeeper节点的作用是Storm集群的协调，Supervisor节点则是实现对worker的控制。

Apache Storm GitHub地址https://github.com/apache/storm/

4.NTLK(自然语言处理工具箱)

NTLK是用于开发Python自然语言相关应用的一个工具包。它自带用于断句、分类、标记、词干提取、语义推理和语法分析的库，此外还有一个较为活跃的社区。对于语言学的实证研究、人工智能、认知科学、机器学习和信息提取来说都是强大的工具，当然你得用Python。

自动补全是NTLK可能的用处之一。输入部分文字，借助NTLK可以推测可能的完整句子，现在很多搜索引擎都有这个功能。其他可能的应用还包括文本归类、地址分析和智能语音命令等。

NTLK GitHub地址：https://github.com/nltk/nltk

5.mLoss

mLoss是机器学习开源软件的英文缩写，它将很多开源软件集合到了同一个平台。mLoss所收集的开源项目都经过审阅并附有对项目的简短介绍。mLoss本身并不是一个软件而是一个支持机器学习应用开源的网站。 
mLoss网站上列出的开源软件有各自项目不同的48种授权协议，作者数量高达1100人。mLoss是到目前为止最大的机器学习软件库，共支持107种数据类型，所涉及的操作系统有26个，使用的编程语言也有51种。

mLoss网站上列出的软件中较为流行的有：

• dlib ml:机器学习算法的C++库
• R-Cran-Caret:分类和回归训练库
• Shogun:为SVM所设计的机器学习工具箱，适用于Python、Matlab、Octave和R
• Armadillo:一个线性代数C++库
• MLPY:以NumPy和SciPY为基础构建的Python机器学习库
• MyMediaLite:一个推荐器算法库

mLoss网站：http://mloss.org/

6.Julia

Julia是为技术计算所设计的一门动态高级语言。虽然它的语法和其他技术计算环境的语法差不多，但Julia现在的使用范围还比较窄。Julia支持分布式并行计算还有着完备的高精度数学函数库。

JuliaStats是一个机器学习和统计工具的合集，目的是帮助Julia用户创建可扩展且高效的应用。下面列出了JuliaStats中包括的一些程序：

• StatsBase:从名字我们就能看出StatsBase提供的是统计学相关的基本功能，比如描述统计、统计动差、样本函数、计数、排序、互相关、自相关以及加权统计等。
• DataArrays: 一个允许数据为空的数组类型，对重复数据的计算进行了优化。
• DataFrames: 表数据类型，提供包括索引、合并以及公式等操作。
• Distribution:用于计算分布的库，功能包括一元分布、多元分布、概率密度函数、累积分布函数以及最大似然估计。
• Multivariate Stats:为多元统计分析所设计，功能包括降维、线性回归、线性判别分析以及多维标度。
• MLBase:包括数据预处理、模型选择以及交叉验证等机器学习算法。
• Clustering:包括聚类分析所用到的算法如k-means、k-medoids以及多种评估方法。

这里我们只列出了一部分数据分析和机器学习相关的库，其他库包括假设检验、核密度估计、非负矩阵分解NMF、广义线性模型GLM、马尔科夫链蒙特卡洛方法MCMC以及时序分析等。所有库的源码都可以在GitHub上找到。

Julia GitHub地址：https://github.com/JuliaStats

7.Scikit-Learn

Scikit-Learn是为机器学习所设计的开源Python库。它基于SciPy、NumPy和Matplotlib开发，称得上是一款数据分析和数据挖掘的利器。Scikit-Learn的授权协议允许个人和商业用户使用。

Scikit-Learn主要用于：

• 聚类：识别数据中的不同类别。算法包括最邻近搜索、支持向量机和随机森林，可以用于图像识别和垃圾邮件识别等应用。
• 回归：用于连续变量的预测。算法包括岭回归、支持向量回归、套索回归等。应用包括股票价格、天气以及电力负载的预测。
• 降维:用于减少随机变量的个数。算法包括主成分分析、特征选择、乔里斯基分解和矩阵分解。
• 数据处理：特征提取与数据预处理功能可以将原始数据转换成有利于机器学习应用处理的格式。

Scikit-Learn GitHub地址：https://github.com/scikit-learn/scikit-learn

本文中我们列出的这些GitHub项目应用颇为流行，而且这些工具和软件已经被用于解决实际中的大数据问题，希望本文能够对大家的大数据分析之路有所启发。