SparkR的安装配置以及数据分析

1.1. R与Rstudio的安装
1.1.1. R的安装
我们的工作环境都是在Ubuntu下操作的，所以只介绍Ubuntu下安装R的方法：

1） 在/etc/apt/sources.list添加源

deb http://mirror.bjtu.edu.cn/cran/bin/linux/ubuntu precise/，

然后更新源apt-get update；

2） 通过apt-get安装：

sudo apt-get install r-base

1.1.2. Rstudio的安装
官网有详细介绍：

http://www.rstudio.com/products/rstudio/download-server/

sudo apt-get install gdebi-core

sudo apt-get install libapparmor1 # Required only for Ubuntu, not Debian

wget http://download2.rstudio.org/rstudio-server-0.97.551-amd64.deb

sudo gdebi rstudio-server-0.97.551-amd64.deb

1.2. rJava安装
1.2.1. rJava介绍
rJava是一个R语言和Java语言的通信接口，通过底层JNI实现调用，允许在R中直接调用Java的对象和方法。

rJava还提供了Java调用R的功能，是通过JRI(Java/R Interface)实现的。JRI现在已经被嵌入到rJava的包中，我们也可以单独试用这个功能。现在rJava包，已经成为很多基于Java开发R包的基础功能组件。

正是由于rJava是底层接口，并使用JNI作为接口调用，所以效率非常高。在JRI的方案中，JVM通过内存直接加载RVM，调用过程性能几乎无损耗，因此是非常高效连接通道，是R和Java通信的首选开发包。

1.2.2. rJava安装
1） 配置rJava环境

执行R CMD javareconf

root@testnode4:/home/payton# R CMD javareconf

2） 启动R并安装rJava

root@testnode4:/home/payton# R

install.packages(“rJava”)

1.3. SparkR的安装
1.3.1. SparkR的代码下载
从网页下载代码SparkR-pkg-master.zip https://github.com/amplab-extras/SparkR-pkg

1.3.2. SparkR的代码编译
1） 解压SparkR-pkg-master.zip，然后cd SparkR-pkg-master/

2） 编译的时候需要指明Hadoop版本和Spark版本

SPARK_HADOOP_VERSION=2.4.1 SPARK_VERSION=1.2.0 ./install-dev.sh

至此，单机版的SparkR已经安装完成。

1.3.3. 分布式SparkR的部署配置
1） 编译成功后，会生成一个lib文件夹，进入lib文件夹，打包SparkR为SparkR.tar.gz，这个是分布式SparkR部署的关键。

2） 由打包好的SparkR.tar.gz在各集群节点上安装SparkR

R CMD INSTALL SparkR.tar.gz

至此分布式SparkR搭建完成。

2. SparkR的运行
   2.1. SparkR的运行机制
   SparkR是AMPLab发布的一个R开发包，为Apache Spark提供了轻量的前端。SparkR提供了Spark中弹性分布式数据集（RDD）的API，用户可以在集群上通过R shell交互性的运行job。SparkR集合了Spark 和R的优势，下面的这3幅图很好的阐释了SparkR的运行机制。
   
   
   2.2. 用SparkR 进行数据分析
   2.2.1. SparkR基本操作
   首先介绍下SparkR的基本操作：

第一步，加载SparkR包

library(SparkR)

第二步，初始化Spark context

sc <- sparkR.init(master=" spark://localhost:7077"
，sparkEnvir=list(spark.executor.memory=“1g”,spark.cores.max=“10”))

第三步，读入数据，spark的核心是Resilient Distributed Dataset (RDD)，RDDS可以从Hadoop的InputFormats来创建（例如，HDFS文件）或通过转化其它RDDS。例如直接从HDFS读取数据为RDD的示例如下：

lines <- textFile(sc, “hdfs://sparkR_test.txt”)

另外，也可以通过parallelize函数从向量或列表创建RDD，如：

rdd <- parallelize(sc, 1:10, 2)

到了这里，那么我们就可以运用RDD的动作（actions）和转换（transformations）来对RDD进行操作并产生新的RDD；也可以很容易地调用R开发包，只需要在集群上执行操作前用includePackage读取R开发包就可以了（例：includePackage(sc, Matrix)）；当然还可以把RDD转换为R语言格式的数据形式来对它进行操作。

具体可参见如下两个链接：

http://amplab-extras.github.io/SparkR-pkg/

https://github.com/amplab-extras/SparkR-pkg/wiki/SparkR-Quick-Start

那么下面我们就通过两个示例来看下 SparkR是如何运行的吧。

2.2.2. SparkR使用举例
1） Example1：word count

加载SparkR包

library(SparkR)

初始化 Spark context

sc <- sparkR.init(master=“spark://集群ip:7077”
,sparkEnvir=list(spark.executor.memory=“1g”,spark.cores.max=“10”))

从HDFS上读取文件

lines <- textFile(sc, “hdfs://集群ip:8020/tmp/sparkR_test.txt”)

按分隔符拆分每一行为多个元素，这里返回一个序列

words<-flatMap(lines,function(line) {strsplit(line,"\|")[[1]]})

使用 lapply 来定义对应每一个RDD元素的运算，这里返回一个（K，V)对

wordCount <-lapply(words, function(word) { list(word, 1L) })

对（K，V）对进行聚合计算

counts<-reduceByKey(wordCount,"+",2L)

以数组的形式，返回数据集的所有元素

output <- collect(counts)

按格式输出结果

for (wordcount in output) {
cat(wordcount[[1]], ": ", wordcount[[2]], “\n”)
}
2） Example2：logistic regression

加载SparkR包

library(SparkR)

初始化 Spark context

sc <- sparkR.init(master=“集群ip:7077”,
appName=‘sparkr_logistic_regression’,
sparkEnvir=list(spark.executor.memory=‘1g’,
spark.cores.max=“10”))

从hdfs上读取txt文件， 该RDD由spark集群的4个分区构成

input_rdd <- textFile(sc,
“hdfs://集群ip:8020/user/payton/german.data-numeric.txt”,
minSplits=4)

解析每个RDD元素的文本（在每个分区上并行）

dataset_rdd <- lapplyPartition(input_rdd, function(part) {
part <- lapply(part, function(x) unlist(strsplit(x, ‘\s’)))
part <- lapply(part, function(x) as.numeric(x[x != ‘’]))
part
})

我们需要把数据集dataset_rdd分割为训练集（train）和测试集（test）两部分，这里

ptest为测试集的样本比例，如取ptest=0.2，即取dataset_rdd的20%样本数作为测试集，80%的样本数作为训练集

split_dataset <- function(rdd, ptest) {
#以输入样本数ptest比例创建测试集RDD
data_test_rdd <- lapplyPartition(rdd, function(part) {
part_test <- part[1:(length(part)*ptest)]
part_test
})

用剩下的样本数创建训练集RDD

data_train_rdd <- lapplyPartition(rdd, function(part) {
part_train <- part[((length(part)*ptest)+1):length(part)]
part_train
})

返回测试集RDD和训练集RDD的列表

list(data_test_rdd, data_train_rdd)
}

接下来我们需要转化数据集为R语言的矩阵形式，并增加一列数字为1的截距项，

将输出项y标准化为0/1的形式

get_matrix_rdd <- function(rdd) {
matrix_rdd <- lapplyPartition(rdd, function(part) {
m <- matrix(data=unlist(part, F, F), ncol=25, byrow=T)
m <- cbind(1, m)
m[,ncol(m)] <- m[,ncol(m)]-1
m
})
matrix_rdd
}

由于该训练集中y的值为1与0的样本数比值为7:3，所以我们需要平衡1和0的样本数，使它们的样本数一致

balance_matrix_rdd <- function(matrix_rdd) {
balanced_matrix_rdd <- lapplyPartition(matrix_rdd, function(part) {
y <- part[,26]
index <- sample(which(y0),length(which(y1)))
index <- c(index, which(y==1))
part <- part[index,]
part
})
balanced_matrix_rdd
}

分割数据集为训练集和测试集

dataset <- split_dataset(dataset_rdd, 0.2)

创建测试集RDD

matrix_test_rdd <- get_matrix_rdd(dataset[[1]])

创建训练集RDD

matrix_train_rdd <- balance_matrix_rdd(get_matrix_rdd(dataset[[2]]))

将训练集RDD和测试集RDD放入spark分布式集群内存中

cache(matrix_test_rdd)
cache(matrix_train_rdd)

初始化向量theta

theta<- runif(n=25, min = -1, max = 1)

logistic函数

hypot <- function(z) {
1/(1+exp(-z))
}

损失函数的梯度计算

gCost <- function(t,X,y) {
1/nrow(X)(t(X)%%(hypot(X%*%t)-y))

定义训练函数

train <- function(theta, rdd) {

计算梯度

gradient_rdd <- lapplyPartition(rdd, function(part) {
X <- part[,1:25]
y <- part[,26]
p_gradient <- gCost(theta,X,y)
list(list(1, p_gradient))
})
agg_gradient_rdd <- reduceByKey(gradient_rdd, ‘+’, 1L)

一次迭代聚合输出

collect(agg_gradient_rdd)[[1]][[2]]
}

由梯度下降算法优化损失函数

alpha ：学习速率

steps ：迭代次数

tol ：收敛精度

alpha <- 0.1
tol <- 1e-4
step <- 1
while(T) {
cat(“step: “,step,”\n”)
p_gradient <- train(theta, matrix_train_rdd)
theta <- theta-alpha*p_gradient
gradient <- train(theta, matrix_train_rdd)
if(abs(norm(gradient,type=“F”)-norm(p_gradient,type=“F”))<=tol) break
step <- step+1
}

用训练好的模型预测测试集信贷评测结果（“good”或“bad”），并计算预测正确率

test <- lapplyPartition(matrix_test_rdd, function(part) {
X <- part[,1:25]
y <- part[,26]
y_pred <- hypot(X%*%theta)
result <- xor(as.vector(round(y_pred)),as.vector(y))
})
result<-unlist(collect(test))
corrects = length(result[resultF])
wrongs = length(result[resultT])
cat("\ncorrects: “,corrects,”\n")
cat(“wrongs: “,wrongs,”\n”)
cat(“accuracy: “,corrects/length(y_pred),”\n”)