Apache Spark是處理和使用大數據最廣泛的框架之一，Python是數據分析、機器學習等領域最廣泛使用的編程語言之一。如果想要獲得更棒的機器學習能力，為什么不將Spark和Python一起使用呢?

在國外，Apache Spark開發人員的平均年薪為110,000美元。毫無疑問，Spark在這個行業中被廣泛使用。由于其豐富的庫集，Python也被大多數數據科學家和分析專家使用。二者集成也并沒有那么困難，Spark用Scala語言開發，這種語言與Java非常相似。它將程序代碼編譯為用于Spark大數據處理的JVM字節碼。為了集成Spark和Python，Apache Spark社區發布了PySpark。

Apache Spark是Apache Software Foundation開發的用于實時處理的開源集群計算框架。Spark提供了一個接口，用于編程具有隱式數據并行和容錯功能的整個集群。

下面是Apache Spark的一些特性，它比其他框架更具優勢：

• 速度：比傳統的大型數據處理框架快100倍。
• 強大的緩存：簡單的編程層提供強大的緩存和磁盤持久性功能。
• 部署：可以通過Mesos、Yarn或Spark自己的集群管理器進行部署。
• 實時：內存計算，實時計算且低延遲。
• Polyglot：這是該框架最重要的特性之一，因為它可以在Scala，Java，Python和R中編程。

雖然Spark是在Scala中設計的，但它的速度比Python快10倍，但只有當使用的內核數量少時，Scala才會體現出速度優勢。由于現在大多數分析和處理都需要大量內核，因此Scala的性能優勢并不大。

對于程序員來說，由于其語法和標準庫豐富，Python相對來說更容易學習。而且，它是一種動態類型語言，這意味著RDD可以保存多種類型的對象。

盡管Scala擁有SparkMLlib，但它沒有足夠的庫和工具來實現機器學習和NLP。此外，Scala 缺乏數據可視化。

使用Python設置Spark(PySpark)

首先要下載Spark并安裝，一旦你解壓縮了spark文件，安裝并將其添加到 .bashrc文件路徑中，你需要輸入source .bashrc

要打開PySpark shell，需要輸入命令./bin/pyspark

PySpark SparkContext和數據流

用Python來連接Spark，可以使用RD4s并通過庫Py4j來實現。PySpark Shell將Python API鏈接到Spark Core并初始化Spark Context。SparkContext是Spark應用程序的核心。

1. Spark Context設置內部服務并建立到Spark執行環境的連接。
2. 驅動程序中的Spark Context對象協調所有分布式進程并允許進行資源分配。
3. 集群管理器執行程序，它們是具有邏輯的JVM進程。
4. Spark Context對象將應用程序發送給執行者。
5. Spark Context在每個執行器中執行任務。

PySpark KDD用例

現在讓我們來看一個用例：數據來源為KDD'99 Cup(國際知識發現和數據挖掘工具競賽，國內也有類似的競賽開放數據集，比如知乎)。這里我們將取數據集的一部分，因為原始數據集太大。

創建RDD：

現在我們可以使用這個文件來創建我們的RDD。

過濾

假設我們要計算我們在數據集中有多少正常的相互作用。，可以按如下過濾我們的raw_data RDD。

計數：

現在我們可以計算出新RDD中有多少元素。

輸出：

制圖：

在這種情況下，我們想要將數據文件作為CSV格式文件讀取。我們可以通過對RDD中的每個元素應用lambda函數。如下所示，這里我們將使用map()和take()轉換。

輸出:

拆分：

現在，我們希望將RDD中的每個元素都用作鍵值對，其中鍵是標記(例如正常值)，值是表示CSV格式文件中行的整個元素列表。 我們可以按如下進行，這里我們使用line.split()和map()。

輸出:

收集：

使用collect()動作，將RDD所有元素存入內存。因此，使用大型RDD時必須小心使用。

輸出:

當然，這比我們之前的任何操作花費的時間都要長。每個具有RDD片段的Spark工作節點都必須進行協調，以便檢索其各部分內容，然后將所有內容集合到一起。

作為結合前面所有內容的最后一個例子，我們希望收集所有常規交互作為鍵值對。

輸出: