大数据下Python的三款大数据分析工具

Posted 2021-04-27 21CTO

导读：Python在大数据领域中被常用已经不是什么稀奇事。现在让我们了解三个Python工具/库来处理自己的大数据。

在本文中，我们准备讨论三个关于Python在大数据方面处理的工具，可以帮助大家在产品层面提升大数据编程的技术。

背景

在本文中，我使用了virtualenv，pyenv，你也可以使用其它环境或本地的Python均可。

以下实例是在IPython环境下运行的，如果你也愿意用，请先安装：

$ mkdir python-big-data

$ cd python-big-data

$ virtualenv ../venvs/python-big-data

$ source ../venvs/python-big-data/bin/activate

$ pip install ipython

$ pip install pandas

$ pip install pyspark

$ pip install scikit-learn

$ pip install scipy

好的，让我们开始大数据处理之旅~

Python所用数据

在我们阅读本文时，需要使用一些测试数据来完成这些示例。

我们在Python中的数据是在几天的时间内从网站获得的实际生产日志。这些数据在技术上并不是大数据，大小只有大约2M左右，但它对我们的目标来说已经非常有用了。

要获得大数据的样本（比如大于1Tb），就需要加强我们的基础设施。

$ git clone https://github.com/admintome/access-log-data.git

该数据是一个简单的CSV文件，每行代表一个单独的日志，字段用逗号分隔，如下：

2018-08-01 17:10,'www2','www_access','172.68.133.49 - - [01/Aug/2018:17:10:15 +0000] "GET /wp-content/uploads/2018/07/spark-mesos-job-complete-1024x634.png HTTP/1.0" 200 151587 "https://dzone.com/" "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_6) AppleWebKit/537.36 (Khtml, like Gecko) Chrome/67.0.3396.99 Safari/537.36"'

以下是日志的数据结构：

现在我们已经有了能够使用的数据，接着来看三个Python大数据工具。

由于对数据执行时会有很多多样性和复杂性，本文将重点介绍如何加载数据并分析一小部分数据样本。

对于列出的每个工具，我们也会提供链接以方便开发者了解更多信息。

1 Python Pandas

我们要讨论的第一个工具是Python Pandas(官网：https://pandas.pydata.org/)。 正如它的网站上所描述的，Pandas是一个开源的Python数据分析库。

让我们启动IPython，使用pandas来对我们的示例数据进行一些操作：

import pandas as pd

headers = ["datetime", "source", "type", "log"]

df = pd.read_csv('access_logs_parsed.csv', quotechar="'", names=headers)

大约一秒后它应会返回给我们如下数据：

[6844 rows x 4 columns]

In [3]:

如你所见，样本数据有大约7000行数据，可以看到Pandas找到了四列与上述模式匹配的数据列。

接着Pandas自动创建了一个和我们CSV文件对应的DataFrame对象。让我们看一下，使用head()函数导入的数据样本。

In [11]: df.head()

Out[11]: 

           datetime source        type                                                log

0  2018-08-01 17:10   www2  www_access  172.68.133.49 - - [01/Aug/2018:17:10:15 +0000]...

1  2018-08-01 17:10   www2  www_access  162.158.255.185 - - [01/Aug/2018:17:10:15 +000...

2  2018-08-01 17:10   www2  www_access  108.162.238.234 - - [01/Aug/2018:17:10:22 +000...

3  2018-08-01 17:10   www2  www_access  172.68.47.211 - - [01/Aug/2018:17:10:50 +0000]...

4  2018-08-01 17:11   www2  www_access  141.101.96.28 - - [01/Aug/2018:17:11:11 +0000]...

使用Python Pandas处理大数据，可以做很多实用的事情。单独使用Python可以修改数据，现在有了Pandas，就可以在Python中直接进行数据分析。

数据科学家通常将Python Pandas与IPython一起使用，以交互的方式分析大量数据集，从该数据中获取有意义的商业智能。开发者可以登录Pandas官方网站了解更多信息。

PySpark

我们将讨论的下一个工具叫 PySpark，这是一款来自Apache Spark项目的大数据分析库。

PySpark为我们提供了许多用在Python中分析大数据的功能。它带有自己的shell，可以从命令行运行它：

$ pyspark

这样就会启动pyspark shell。

(python-big-data)[email protected]:~/Development/access-log-data$ pyspark Python 3.6.5 (default, Apr 1 2018, 05:46:30) [GCC 7.3.0] on linux Type "help", "copyright", "credits" or "license" for more information. 2018-08-03 18:13:38 WARN Utils:66 - Your hostname, admintome resolves to a loopback address: 127.0.1.1; using 192.168.1.153 instead (on interface enp0s3) 2018-08-03 18:13:38 WARN Utils:66 - Set SPARK_LOCAL_IP if you need to bind to another address 2018-08-03 18:13:39 WARN NativeCodeLoader:62 - Unable to load native-hadoop library for your platform... using builtin-java classes where applicable Setting default log level to "WARN". To adjust logging level use sc.setLogLevel(newLevel). For SparkR, use setLogLevel(newLevel). Welcome to ____ __ / __/__ ___ _____/ /__ _\ \/ _ \/ _ `/ __/ '_/ /__ / .__/\_,_/_/ /_/\_\ version 2.3.1 /_/ Using Python version 3.6.5 (default, Apr 1 2018 05:46:30) SparkSession available as 'spark'. >>>

让我们使用PySpark Shell加载样例数据：

dataframe = spark.read.format("csv").option("header","false").option("mode","DROPMALFORMED").option("quote","'").load("access_logs.csv")

dataframe.show()

PySpark将为我们提供创建好的DataFrame示例。

>>> dataframe2.show()

+----------------+----+----------+--------------------+

|             _c0| _c1|       _c2|                 _c3|

+----------------+----+----------+--------------------+

|2018-08-01 17:10|www2|www_access|172.68.133.49 - -...|

|2018-08-01 17:10|www2|www_access|162.158.255.185 -...|

|2018-08-01 17:10|www2|www_access|108.162.238.234 -...|

|2018-08-01 17:10|www2|www_access|172.68.47.211 - -...|

|2018-08-01 17:11|www2|www_access|141.101.96.28 - -...|

|2018-08-01 17:11|www2|www_access|141.101.96.28 - -...|

|2018-08-01 17:11|www2|www_access|162.158.50.89 - -...|

|2018-08-01 17:12|www2|www_access|192.168.1.7 - - [...|

|2018-08-01 17:12|www2|www_access|172.68.47.151 - -...|

|2018-08-01 17:12|www2|www_access|192.168.1.7 - - [...|

|2018-08-01 17:12|www2|www_access|141.101.76.83 - -...|

|2018-08-01 17:14|www2|www_access|172.68.218.41 - -...|

|2018-08-01 17:14|www2|www_access|172.68.218.47 - -...|

|2018-08-01 17:14|www2|www_access|172.69.70.72 - - ...|

|2018-08-01 17:15|www2|www_access|172.68.63.24 - - ...|

|2018-08-01 17:18|www2|www_access|192.168.1.7 - - [...|

|2018-08-01 17:18|www2|www_access|141.101.99.138 - ...|

|2018-08-01 17:19|www2|www_access|192.168.1.7 - - [...|

|2018-08-01 17:19|www2|www_access|162.158.89.74 - -...|

|2018-08-01 17:19|www2|www_access|172.68.54.35 - - ...|

+----------------+----+----------+--------------------+

only showing top 20 rows

我们再次看到DataFrame中有4列与期待的模式匹配。 注意，DataFrame只是数据在内存中的表示，可以被看成数据库表或者一张Excel电子表格。

现在我们聊聊最后一个工具。

Python SciKit-Learn

任何关于大数据的研讨，都会引发机器学习方面的话题。 幸运的是，Python开发人员有很多的选择来使用机器学习算法。

在没有详细掌握机器学习的情况下，我们需要获得一些执行机器学习的数据。 在本文中提供的示例数据回为不是纯数值数据，我们需要操纵数据并将其呈现为数字格式，相关方法超过了本文范围。 比如，可以按时间映射日志条目以获得具有两列的DataFrame：一分钟内的日志数和当前时间：

+------------------+---+

| 2018-08-01 17:10 | 4 |

+------------------+---+

| 2018-08-01 17:11 | 1 |

+------------------+---+

通过以上形式的数据，我们可以执行机器学习来预测未来可能获得的访问数量。 我刚刚提到过这超出了本文的范围。

幸运的是，SciKit-Learn附带了一些样本数据集，让我们先看这些示例数据的内容，来看看能做些什么。

In [1]: from sklearn import datasets

In [2]: iris = datasets.load_iris()

In [3]: digits = datasets.load_digits()

In [4]: print(digits.data)

[[ 0.  0.  5. ...  0.  0.  0.]

 [ 0.  0.  0. ... 10.  0.  0.]

 [ 0.  0.  0. ... 16.  9.  0.]

 ...

 [ 0.  0.  1. ...  6.  0.  0.]

 [ 0.  0.  2. ... 12.  0.  0.]

 [ 0.  0. 10. ... 12.  1.  0.]]

这将引入两个用于分类机器学习算法的数据集，用于对数据进行分类。

浏览SciKit-Learn 的scikit教程，我们还可以到http://scikit-learn.org/stable/tutorial/basic/tutorial.html 来了解相关信息。

小结

以上是三个常用于Python的大数据工具，Python现在已经大数据相关以及R和Scala语言的主要参与者。

希望大家喜欢这篇文章。 如果你有类似心得，欢迎分享给21CTO社区， 也欢迎大家在文章下面评论~

编译：洛逸

来源：https://dzone.com/articles/big-data-python-3-big-data-analytics-tools