推荐序　　ix
译者序　　xi
序　　xiii
前言　　xv
第1章　大数据分析　　1
1.1 数据科学面临的挑战　　2
1.2 认识Apache Spark　　4
1.3 关于本书　　5
1.4 第2版说明　　6
第2章　用Scala 和Spark 进行数据分析　　8
2.1 数据科学家的Scala　　9
2.2 Spark编程模型　　10
2.3 记录关联问题　　10
2.4 小试牛刀：Spark shell和SparkContext　　11
2.5 把数据从集群上获取到客户端　　16
2.6 把代码从客户端发送到集群　　19
2.7 从RDD到DataFrame　　20
2.8 用DataFrame API来分析数据　　23
2.9 DataFrame的统计信息　　27
2.10 DataFrame的转置和重塑　　29
2.11 DataFrame的连接和特征选择　　32
2.12 为生产环境准备模型　　33
2.13 评估模型　　35
2.14 小结　　36
第3章　音乐推荐和Audioscrobbler数据集　　37
3.1 数据集　　38
3.2 交替最小二乘推荐算法　　39
3.3 准备数据　　41
3.4 构建第一个模型　　44
3.5 逐个检查推荐结果　　47
3.6 评价推荐质量　　50
3.7 计算AUC　　51
3.8 选择超参数　　53
3.9 产生推荐　　55
3.10 小结　　56
第4章　用决策树算法预测森林植被　　58
4.1 回归简介　　59
4.2 向量和特征　　59
4.3 样本训练　　60
4.4 决策树和决策森林　　61
4.5 Covtype数据集　　63
4.6 准备数据　　64
4.7 第一棵决策树　　66
4.8 决策树的超参数　　72
4.9 决策树调优　　73
4.10 重谈类别型特征　　77
4.11 随机决策森林　　79
4.12 进行预测　　81
4.13 小结　　82
第5章　基于K均值聚类的网络流量异常检测　　84
5.1 异常检测　　85
5.2 K均值聚类　　85
5.3 网络入侵　　86
5.4 KDD Cup　　1999数据集　　86
5.5 初步尝试聚类　　87
5.6 k的选择　　90
5.7 基于SparkR 的可视化　　92
5.8 特征的规范化　　96
5.9 类别型变量　　98
5.10 利用标号的熵信息　　99
5.11 聚类实战　　100
5.12 小结　　102
第6章　基于潜在语义分析算法分析维基百科　　104
6.1 文档－词项矩阵　　105
6.2 获取数据　　106
6.3 分析和准备数据　　107
6.4 词形归并　　109
6.5 计算TF-IDF　　110
6.6 奇异值分解　　111
6.7 找出重要的概念　　113
6.8 基于低维近似的查询和评分　　117
6.9 词项－词项相关度　　117
6.10 文档－文档相关度　　119
6.11 文档－词项相关度　　121
6.12 多词项查询　　122
6.13 小结　　123
第7章　用GraphX分析伴生网络　　124
7.1 对MEDLINE文献引用索引的网络分析　　125
7.2 获取数据　　126
7.3 用Scala XML工具解析XML文档　　128
7.4 分析MeSH主要主题及其伴生关系　　130
7.5 用GraphX来建立一个伴生网络　　132
7.6 理解网络结构　　135
7.6.1 连通组件　　136
7.6.2 度的分布　　138
7.7 过滤噪声边　　140
7.7.1 处理EdgeTriplet　　141
7.7.2 分析去掉噪声边的子图　　142
7.8 小世界网络　　144
7.8.1 系和聚类系数　　144
7.8.2 用Pregel计算平均路径长度　　145
7.9 小结　　150
第8章　纽约出租车轨迹的空间和时间数据分析　　151
8.1 数据的获取　　152
8.2 基于Spark的第三方库分析　　153
8.3 基于Esri Geometry API和Spray的地理空间数据处理　　153
8.3.1 认识Esri Geometry API　　154
8.3.2 GeoJSON简介　　155
8.4 纽约市出租车客运数据的预处理　　157
8.4.1 大规模数据中的非法记录处理　　159
8.4.2 地理空间分析　　162
8.5 基于Spark的会话分析　　165
8.6 小结　　168
第9章　基于蒙特卡罗模拟的金融风险评估　　170
9.1 术语　　171
9.2 VaR计算方法　　172
9.2.1 方差－协方差法　　172
9.2.2 历史模拟法　　172
9.2.3 蒙特卡罗模拟法　　172
9.3 我们的模型　　173
9.4 获取数据　　173
9.5 数据预处理　　174
9.6 确定市场因素的权重　　177
9.7 采样　　179
9.8 运行试验　　182
9.9 回报分布的可视化　　185
9.10 结果的评估　　186
9.11 小结　　188
第10章　基因数据分析和BDG项目　　190
10.1 分离存储与模型　　191
10.2 用ADAM CLI导入基因学数据　　193
10.3 从ENCODE数据预测转录因子结合位点　　201
10.4 查询1000 Genomes项目中的基因型　　207
10.5 小结　　210
第11章　基于PySpark和Thunder的神经图像数据分析　　211
11.1 PySpark简介　　212
11.2 Thunder工具包概况和安装　　215
11.3 用Thunder加载数据　　215
11.4 用Thunder对神经元进行分类　　221
11.5 小结　　225
作者介绍　　226
封面介绍　　226