RHadoop实践系列文章，包含了R语言与Hadoop结合进行海量数据分析。Hadoop主要用来存储海量数据，R语言完成MapReduce 算法，用来替代Java的MapReduce实现。有了RHadoop可以让广大的R语言爱好者，有更强大的工具处理大数据1G, 10G, 100G, TB, PB。 由于大数据所带来的单机性能问题，可能会一去不复返了。

RHadoop实践是一套系列文章，主要包括”Hadoop环境搭建”，”RHadoop安装与使用”，”R实现MapReduce的协同过滤算法”，”HBase和rhbase的安装与使用”。对于单独的R语言爱好者，Java爱好者，或者Hadoop爱好者来说，同时具备三种语言知识并不容 易。此文虽为入门文章，但R,Java,Hadoop基础知识还是需要大家提前掌握。

关于作者

• 张丹(Conan), 程序员Java,R,PHP,Javascript
• weibo：@Conan_Z
• blog: http://blog.fens.me
• email: bsspirit@gmail.com

转载请注明出处：
http://blog.fens.me/r-hadoop-book-big-data/

前言

最近的一本新书Big Data Analytics with R and Hadoop是关于R和Hadoop实践的第一本图书，作者Vignesh Prajapati曾经在图书出版的半年前联系过我，通过Google翻译发现了我的博客，希望把其中的1-2个例子放到他的书中。

没想到这本书，经过半年就出版了，作者效率还是挺高的。受Packt Publishing编辑Amol Bhosle委托为本书写个书评，于是就有本篇文章。

目录

1. 图书概览
2. 图书内容剖析
3. 最后总结

1. 图书概览

本书的几个核心点：R，Hadoop, R+Hadoop, 数据分析案例，机器学习算法案例，R的数据访问接口。

我通过一个思维导图来表达。

书中最重要的是案例部分，作者分别使用R语言单机实现，以及RHadoop的分步式实现，介绍是多个案例的实践。

2. 图书内容剖析

• R语言介绍
• Hadoop介绍
• R+Hadoop技术方案
• 数据分析案例
• 大数据分析案例
• R语言的数据访问接口

1). R语言介绍

简单地介绍了R安装，RStudio安装，R语言最擅长算法模型：回归，分类，聚类，推荐。

2). Hadoop介绍

主要是介绍了Hadoop安装，在几种不同的Linux系统上，用Apache Hadoop和Cloudera Hadoop二个版本对比安装。

简单介绍了HDFS，dateeode和namenode；讲了MapReduce的工作原理，和用MapReduce对数据处理的过程。

介绍了Hadoop的命令行的使用。

3). R+Hadoop技术方案

作者对于R+Hadoop做了3种技术方案讨论，分别是RHipe, RHadoop, R + Hadoop Streaming。

a. RHipe

RHipe是R与Hadoop的集成编程环境。RHIPE可以让R语言与Hadoop进行通信，访问Hadoop的HDFS和调用MapReduce，让R语言的使用者利用Hadoop的分步式环境进行行大数据的分析。

RHipe官方网站：http://www.datadr.org/

b. RHadoop

RHadoop是由RevolutionAnalytics公司开发的一个R与Hadoop的集成编程环境，与RHipe的功能一样。RHadoop包含三个R包 (rmr，rhdfs，rhbase)，分别是对应Hadoop系统架构中的，MapReduce, HDFS, HBase 三个部分。在2013年底，又增加第4个R包plyrmr，用于数据处理操作。本书中并没有涉及plyrmr包。

RHadoop的发布页：https://github.com/RevolutionAnalytics/RHadoop/wiki

RHadoop实践系列文章：http://blog.fens.me/series-rhadoop/

c. R + Hadoop Streaming

Hadoop Streaming是Hadoop提供的，允许任何可执行的脚本作为Mapper和Reducer的一种实现方实。R + Hadoop Streaming就是用R脚本实现Mapper和Reducer。作者用2种方式，进行了测试。

c1. R Script + Hadoop Streaming : 单纯的R语言脚本，通过Shell运行。
c2. HadoopStreaming + Hadoop Streaming: 使用一个封装好的R包HadoopStreaming来实现。

这3种技术方案，是目前R与Hadoop结合实现方案。我对RHadoop和R Script + Hadoop Streaming比较熟悉，经过我测试只有R Script + Hadoop Streaming这种方式，可以用于生产环境，RHadoop性能还是有一些问题的，可以提升的空间还是很大的。书中介绍的另外两种方法，我要有时间，再去试试。不过，我相信R和Hadoop的结合的项目，会越来越多的。

4). 数据分析案例

上面篇幅把技术的基础都说清楚，接下来就是核心案例了，书中介绍了如何使用R结合Hadoop进行数据分析。

首先书中介绍了，一个数据分析项目的框架，包括5个部分。

• 问题
• 定义数据需求
• 数据预处理
• 数据建模及执行
• 数据可视化

然后，作者介绍了3个应用案例。

• 网页分类：把一个网站中的网页按重要性进行排名
• 股票分析：通过历史交易数据计算股票市场的变化
• 价格预测：预测图书销售的价格，来自Kaggle的一道竞赛题

上面3个案例，都使用R和RHadoop进行实现，都是非常不错的案例，可以给我们的学习和使用提供很好的思路。

5). 机器学习算法案例

接下来，作者介绍了用RHadoop实现的基于大数据机器学习算法，充分结合了R和Hadoop的优势。作者把机器学习算法分为3类，监督学习算法，非监督学习算法，推荐算法。

4个算法的案例：

a. 线性回归

最简单的一种回归算法，可以下面公式表示。

y = ax + e 

在R语言中，一个函数lm()就可以实现。

在大数据的背景下，利用RHadoop，需要自己实现lm()这个函数。

# Reducer
Sum = function(., YY) keyval(1, list(Reduce('+', YY)))

# XtX =
values(

# For loading hdfs data in to R
from.dfs(

# MapReduce Job to produce XT*X
mapreduce(
input = X.index,

# Mapper – To calculate and emitting XT*X
map =
function(., Xi) {
yi = y[Xi[,1],]
Xi = Xi[,-1]
keyval(1, list(t(Xi) %*% Xi))},

# Reducer – To reduce the Mapper output by performing sum
operation over them
reduce = Sum,
combine = TRUE)))[[1]]

b. Logistic回归

比线性回归稍微复杂一些，可以用公式表示。

logit(p) = β0 + β1 × x1 + β2 × x2 + ... + βn × xn

R程序还是一个函数glm()。

在大数据的背景下，利用RHadoop，需要自己实现glm()这个函数。

# Mapper – computes the contribution of a subset of points to the
gradient.

lr.map =
  function(., M) {
    Y = M[,1]
    X = M[,-1]
    keyval(1, Y * X * g(-Y * as.numeric(X %*% t(plane))))
}

# Reducer – Perform sum operation over Mapper output.

lr.reduce = function(k, Z) keyval(k, t(as.matrix(apply(Z,2,sum))))

# MapReduce job – Defining MapReduce function for executing logistic
regression

logistic.regression =
  function(input, iterations, dims, alpha){
    plane = t(rep(0, dims))
    g = function(z) 1/(1 + exp(-z))
    for (i in 1:iterations) {
      gradient =
        values(
          from.dfs(
            mapreduce(input, map = lr.map, reduce = lr.reduce, combine = T)))
      plane = plane + alpha * gradient 
    }
    plane 
}

c. 聚类算法

这里介绍的是快速聚类kmeans，聚类属于非监督学习法。

通过R语言现实，一个函数kmeans()就可以完成了。

通过RHadoop现实，就需要自己重写这个迭代过程。

# distance calculation function
dist.fun = function(C, P) {
  apply(C,1,function(x) colSums((t(P) - x)^2))
}

# k-Means Mapper
kmeans.map = function(., P) {
  nearest = {

  # First interations- Assign random cluster centers
  if(is.null(C))
    sample(1:num.clusters,nrow(P),replace = T)

# Rest of the iterations, where the clusters are assigned # based
on the minimum distance from points

  else {
    D = dist.fun(C, P)
    nearest = max.col(-D)}}
    if(!(combine || in.memory.combine))
      keyval(nearest, P)
    else
      keyval(nearest, cbind(1, P))
}


# k-Means Reducer
kmeans.reduce = {

  # calculating the column average for both of the conditions
  if (!(combine || in.memory.combine) )
    function(., P) t(as.matrix(apply(P, 2, mean)))
  else function(k, P) keyval(k,t(as.matrix(apply(P, 2, sum))))
}


# k-Means MapReduce – for
kmeans.mr = function(P,num.clusters,num.iter,combine,in.memory.combine) {
  C = NULL
  for(i in 1:num.iter ) {
    C =  values(from.dfs(mapreduce(P,map = kmeans.map,reduce = kmeans.reduce)))
    if(combine || in.memory.combine)
    C = C[, -1]/C[, 1]
    if(nrow(C) < num.clusters) {
      C =rbind(C,matrix(rnorm((num.clusters -nrow(C)) * nrow(C)),ncol = row(C)) %*% C) 
    }
  }
  C
}

d. 推荐算法

这里介绍的是协同过滤算法，算法实现就有点复杂了。主要思想就是：

同现矩阵 * 评分矩阵 = 推荐结果

注：由于这个案例出自我的博客，我就直接贴我的文章地址了，也方便中文读者了解算法细节。

R语言的算法实现：http://blog.fens.me/r-mahout-usercf/

RHadoop分步式算法实现：http://blog.fens.me/rhadoop-mapreduce-rmr/

6). R语言的数据访问接口

最后一部分，书中介绍了R语言的各种数据访问接口。

FILE:

• CSV: read.csv(), write.csv()
• Excel: xlsx, xlsxjars,rJava

Database:

• MySQL: RMySQL
• SQLite: RSQLite
• PostgreSQL: RPostgreSQL

NoSQL:

• MongoDB: rmongodb
• Hive: RHive
• HBase: RHBase

补充一下，我的博客中也写了R的数据访问接口的文章。

• MySQL: RMySQL数据库编程指南
• Hive: R利剑NoSQL系列文章 之 Hive
• Redis: R利剑NoSQL系列文章 之 Redis
• Cassandra: R利剑NoSQL系列文章 之 Cassandra
• HBase: RHadoop实践系列之四 rhbase安装与使用

R的多种接口已经打通，这也就说明R已经做好了准备，为工业界带来革命的力量。

3. 最后总结

这是一本不错的图书，从R+Hadoop的角度出发，打开R语言面向大数据应用的思路。这种结合是跨学科碰撞的结果，是市场需求的导向。但由于R+Hadoop还不够成熟，企业级应用依然缺乏成功案例，所以当实施R+Hadoop的应用时，还会碰到非常多的问题。期待有担当的公司和个人，做出被大家认可的产品来。

转载请注明出处：
http://blog.fens.me/r-hadoop-book-big-data/

This entry was posted in Hadoop实践, JAVA语言实践, R语言实践