Przejdź do głównej treści

Strona główna Spark

Kurs

Podstawy Big Data z PySpark

ZaawansowanyPoziom umiejętności

Zaktualizowano 02.2025

Poznaj podstawy pracy z big data w PySpark.

Zacznij kurs za darmo

SparkData Engineering

4 godz.

16 filmów

55 Ćwiczeń

4,600 XP

65,217

Zaświadczenie o ukończeniu

Uwielbiany przez kursantów z tysięcy firm

Szkolisz zespół?

Wypróbuj dla firm

Opis kursu

W ostatnich latach temat Big Data stał się niezwykle popularny i trafił do głównego nurtu w wielu firmach. Czym jednak właściwie jest Big Data? Ten kurs omawia podstawy Big Data za pomocą PySpark. Spark to framework do obliczeń klastrowych, który działa błyskawicznie. Zapewnia ogólną platformę przetwarzania danych i pozwala uruchamiać programy nawet 100 razy szybciej w pamięci – lub 10 razy szybciej na dysku – niż Hadoop. Będziesz korzystać z PySpark, pakietu Pythona do programowania w Spark, oraz jego zaawansowanych bibliotek, takich jak SparkSQL czy MLlib (do uczenia maszynowego). Przeanalizujesz dzieła Williama Szekspira, zbadasz dane z Fify 2018 i przeprowadzisz grupowanie na zbiorach danych genomicznych. Po ukończeniu kursu będziesz mieć solidne zrozumienie PySpark i jego zastosowania w ogólnej analizie Big Data.

Wymagania wstępne

Introduction to Python

1

Introduction to Big Data analysis with Spark

This chapter introduces the exciting world of Big Data, as well as the various concepts and different frameworks for processing Big Data. You will understand why Apache Spark is considered the best framework for BigData.

What is Big Data?

The 3 V's of Big Data

PySpark: Spark with Python

Understanding SparkContext

Interactive Use of PySpark

Loading data in PySpark shell

Review of functional programming in Python

Use of lambda() with map()

Use of lambda() with filter()

Zacznij rozdział

2

Programming in PySpark RDD’s

The main abstraction Spark provides is a resilient distributed dataset (RDD), which is the fundamental and backbone data type of this engine. This chapter introduces RDDs and shows how RDDs can be created and executed using RDD Transformations and Actions.

Abstracting Data with RDDs

RDDs from Parallelized collections

RDDs from External Datasets

Partitions in your data

Basic RDD Transformations and Actions

Map and Collect

Filter and Count

Pair RDDs in PySpark

ReduceBykey and Collect

SortByKey and Collect

Advanced RDD Actions

CountingBykeys

Create a base RDD and transform it

Remove stop words and reduce the dataset

Print word frequencies

Zacznij rozdział

3

PySpark SQL & DataFrames

In this chapter, you'll learn about Spark SQL which is a Spark module for structured data processing. It provides a programming abstraction called DataFrames and can also act as a distributed SQL query engine. This chapter shows how Spark SQL allows you to use DataFrames in Python.

Abstracting Data with DataFrames

RDD to DataFrame

Loading CSV into DataFrame

Operating on DataFrames in PySpark

Inspecting data in PySpark DataFrame

PySpark DataFrame subsetting and cleaning

Filtering your DataFrame

Interacting with DataFrames using PySpark SQL

Running SQL Queries Programmatically

SQL queries for filtering Table

Data Visualization in PySpark using DataFrames

PySpark DataFrame visualization

Part 1: Create a DataFrame from CSV file

Part 2: SQL Queries on DataFrame

Part 3: Data visualization

Zacznij rozdział

4

Machine Learning with PySpark MLlib

PySpark MLlib is the Apache Spark scalable machine learning library in Python consisting of common learning algorithms and utilities. Throughout this last chapter, you'll learn important Machine Learning algorithms. You will build a movie recommendation engine and a spam filter, and use k-means clustering.

Overview of PySpark MLlib

PySpark ML libraries

PySpark MLlib algorithms

Collaborative filtering

Loading Movie Lens dataset into RDDs

Model training and predictions

Model evaluation using MSE

Classification

Loading spam and non-spam data

Feature hashing and LabelPoint

Logistic Regression model training

Loading and parsing the 5000 points data

K-means training

Visualizing clusters

Congratulations!

Zacznij rozdział

Podstawy Big Data z PySpark

Kurs
ukończony

Zdobądź zaświadczenie o ukończeniu

Dodaj to poświadczenie do swojego profilu LinkedIn, CV lub życiorysu
Udostępnij to w mediach społecznościowych i podczas oceny wyników pracyZapisz się teraz

Dołącz do ponad 19 milionów kursantów i zacznij Podstawy Big Data z PySpark już dziś!

Rozwijaj swoje umiejętności w zakresie danych dzięki DataCamp dla urządzeń mobilnych

Rób postępy w podróży dzięki naszym kursom mobilnym i codziennym 5-minutowym wyzwaniom kodowania.