本书以Python作为开发语言，系统介绍PySpark开发环境搭建流程及基于PySpark进行大数据分析的 相关知识。本书条理清晰、重点突出，理论叙述循序渐进、由浅入深。本书共7章，第1?5章包括PySpark 大数据分析概述、PySpark安装配置、基于PySpark的DataFrame操作、基于PySpark的流式数据处理、 基于PySpark的机器学习库，内容介绍注重理论与实践相结合，通过典型示例强化PySpark在大数据分析 中的实际应用；第6、7章通过基于PySpark的网络招聘信息的职业类型划分和基于PySpark的信用贷款 风险分析两个完整的案例实战，结合前5章的PySpark编程知识，实现完整的大数据分析过程。本书大部 分章包含实训和课后习题，读者通过练习和操作实践，能够巩固所学的内容。 本书可作为高校数据科学或大数据相关专业的教材，也可作为机器学习爱好者的自学用书。

1.理论叙述由浅入深，循序渐进，表达通俗易懂。本书的知识点章节从基本概念入手，介绍相关的基础理论，并结合介绍的知识点进行操作实践，再通过应用实例介绍如何运用具体方法解决实际问题。 2.强化基础，突出知识的应用性。结合高校教学特点和学生的情况，突出PySpark大数据分析的重点内容，强调PySpark在实际问题中的应用性，充分体现了理论知识与应用的紧密结合。 3.从实践出发，重点突出可操作性。本书从构建PySpark的开发环境入手，详细介绍了单机模式的PySpark开发环境搭建（基于Windows系统搭建，搭建过程简单，易于操作）和分布式模式的PySpark开发环境搭建（基于Linux系统搭建，贴近实际应用场景，处理高效），帮助读者构建一个可操作的实践环境，实践本书各章节的内容。且本书大部分章节附有实训和课后习题，便于读者进行上机实验，巩固所学知识，真正理解并应用所学知识。 4.通过典型的案例完整展示PySpark数据分析的过程，强化知识的实际应用。本书最后介绍了两个案例，以应用为导向，从需求分析入手，再设计解决方案，最终运用所需知识实现基于PySpark的数据分析过程。 5.体现思政育人。本书不仅注重培养学生分析处理数据的能力，运用数据分析理论与方法解决实际问题的实践能力；同时注重课程内容与思政教育的有机融合，潜移默化中引领学生树立和践行社会主义核心价值观，建立正确的三观，培养拥有正确政治方向的四有青年。

戴刚，重庆大学计算机科学与技术博士，美国匹兹堡大学访问学者，重庆交通大学经济与管理学院副教授，硕士生导师。主持1项教育部产学研合作项目，主研国家自然科学基金2项，国家科技支持计划1项目，中国移动（重庆分公司）科技公关项目1项，省部级科研项目2项，在国际期刊、国际会议及国内权威学术期刊发辫学术论文7篇。熟悉Java、Python、大数据及相关软件架构，具有丰富的软件开发经验。从事教育教学工作十多年，有扎实的专业素养和丰富的教学经验。

第 1章PySpark大数据分析概述 1 1.1　大数据分析概述　1 1.1.1　大数据的概念　2 1.1.2　大数据分析的概念　3 1.1.3　大数据分析的流程　4 1.1.4　大数据分析的应用场景　6 1.1.5　大数据技术体系　6 1.2　Spark大数据技术框架　10 1.2.1　Spark 简介　10 1.2.2　Spark 特点　11 1.2.3　Spark运行架构与流程　11 1.2.4　Spark RDD　14 1.2.5　Spark 生态圈　20 1.3　PySpark大数据分析　21 1.3.1　PySpark 简介　21 1.3.2　PySpark 子模块　22 小结　25 课后习题　26 第　2章 PySpark安装配置　27 2.1　搭建单机模式的PySpark开发 环境　28 2.1.1　安装 JDK　28 2.1.2　安装 Anaconda　28 2.1.3　安装 Hadoop　30 2.1.4　安装 MySQL　36 2.1.5　安装 Hive　37 2.1.6　配置 PySpark 模块　43 2.1.7　运行 Jupyter Notebook　44 2.2　搭建分布式模式的PySpark开发 环境　45 2.2.1　安装配置虚拟机　46 2.2.2　安装 Java　53 2.2.3　搭建Hadoop分布式集群　58 2.2.4　安装MySQL数据库　62 2.2.5　安装Hive数据仓库工具　63 2.2.6　搭建Spark完全分布式集群　66 2.2.7　安装 PyCham　69 2.2.8　安装Python解释器及PySpark 模块　69 2.3　Python函数式编程　69 2.3.1　Python常用数据结构　70 2.3.2　Python函数式编程基础　75 小结　76 课后习题　76 第　3 章 基于 PySpark 的 DataFrame 操作　78 3.1　Spark SQL 概述　78 3.1.1　Spark SQL起源与发展历程　79 3.1.2　Spark SQL 主要功能　79 3.1.3　Spark SQL数据核心抽象 DataFrame　80 3.2　pyspark.sql 模块　82 3.2.1　pyspark. sql 模块简介　82 3.2.2　pyspark. sql 模块核心类　83 3.3　DataFrame 基础操作　85 3.3.1　创建 DataFrame 对象　86 332　DataFrame 操作　93 3.3.3　DataFrame 输出操作　113 小结　114 实训　114 实训1网站搜索热词统计分析　114 实训2大数据岗位招聘信息统计分析　…115 课后习题　116 第4章　基于PySpark的流式数据 处理　118 4.1　Spark Streaming 概述　119 4.1.1　流计算简介　119 4.1.2　Spark Streaming 基本概念　121 4.1.3　Spark Streaming 工作原理　121 4.1.4　Spark Streaming 运行机制　122 4.2　pyspark.streaming 模块　123 4.2.1　pyspark. streaming 模块简介　123 4.2.2　pyspark. streaming 模块核心类　124 4.2.3　DStream 基础操作　126 4.3　Structured Streaming 结构化流 处理　146 4.3.1　Structured Streaming 概述　146 4.3.2　Structured Streaming 编程模型　147 4.3.3　Structured Streaming 基础操作　148 4.3.4　Structured Streaming 编程步骤　152 小结　155 实训　155 实训1使用Spark　Streaming实现菜品价格 实时计算　155 实训2使用Spark　Streaming实时判别车辆 所属地　156 课后习题　156 第5章　基于PySpark的机器 学习库　158 5.1　MLlib 算法　159 5.1.1　机器学习　159 5.1.2　MLlib　159 5.1.3　pyspark.ml 模块　159 5.2　使用pyspark.ml模块的转换器处理 和转换数据　162 5.2.1　数据加载及数据集划分　162 5.2.2　数据降维　164 5.2.3　数据标准化　166 5.2.4　数据类型转换　171 5.3　pyspark.ml模块的评估器和模型 评估　175 5.3.1　使用PySpark构建并评估分类 模型　175 5.3.2　使用PySpark构建并评估回归 模型　182 5.3.3　使用PySpark构建并评估聚类 模型　186 5.3.4　使用PySpark构建并评估智能推荐 模型　189 小结　195 实训　195 实训1使用随机森林模型预测是否批准　用户申请　195 实训2使用回归模型实现房价预测………196 课后习题　197 第6章　案例分析：基于PySpark的网络 招聘信息的职业类型划分 ……199 6.1　需求与架构分析　200 6.1.1　业务需求分析与技术选型　200 6.1.2　系统架构分析　200 6.2　数据探索　201 6.2.1　数据说明　202 6.2.2　数据读取　202 6.2.3　重复数据与空值探索　204 6.2.4　异常数据探索　205 6.3　数据预处理　207 6.3.1　数据清洗　207 6.3.2　中文分词与去停用词　208 6.3.3　词特征向量化　210 6.4　模型构建与评估　213 6.4.1　LDA算法简介　214 6.4.2　LDA模型构建与评估　215 6.4.3　构建LDA模型　217 6.5　制作词云图　220 小结　225 第7章　案例分析：基于PySpark的 信用贷款风险分析　226 7.1　需求与架构分析　227 7.1.1　业务需求分析　227 7.1.2　系统架构分析　227 7.2　数据探索　228 7.2.1　数据说明　228 7.2.2　建立数据仓库并导入数据　230 7.2.3　用户信息完善情况与逾期率的关系 探索　233 7.2.4　用户信息修改情况与逾期率的关系 探索　236 7.2.5　用户借款月份与逾期率的关系 探索　240 7.3　数据预处理　243 7.3.1　计算用户信息缺失个数及借款月份 构建新特征　243 7.3.2　用户更新信息重建　245 7.3.3　用户登录信息重建　250 7.3.4　分类数据预处理　255 7.3.5　字符串字段编码处理　259 7.3.6　分类数据重编码　263 7.3.7　缺失值处理　265 7.4　模型构建与评估　267 7.4.1　了解 GBTs 算法　267 7.4.2　构建 GBTs 模型　268 7.4.3　评估 GBTs 模型　271 7.5　部署和提交PySpark应用程序…271 7.5.1　打包PySpark应用程序　271 7.5.2　提交PySpark应用程序　274 小结　275 参考文献　276