我有一个包含5000个样本和500000个特征的数据集(都是分类的，基数为3)。我想解决两个问题：
加载数据集--尽管使用了计算集群，我还是无法将其加载到内存中，所以我假设我应该使用一个并行化库，比如Dask、Spark或Vaex。这是最好的主意吗？特性选择-如何在并行化库中运行特性选择？这能用达斯克，火花，瓦克斯完成吗？
浏览 0提问于2021-05-20得票数 1
我有一个Spark 2.1工作，我维护多个Dataset对象/RDD，这些对象/RDD代表对底层Hive/HDFS数据存储的不同查询。我注意到，如果我简单地迭代数据集列表，它们会一次执行一个。每个单独的查询都是并行操作的，但我觉得我们没有通过不并行运行不同的数据集来最大化我们的资源。关于这一点，似乎没有太多的问题，因为大多数问题似乎都是关于并行单个RDD或数据集
浏览 5提问于2018-02-17得票数 2
回答已采纳
在写入CSV文件时，自动创建文件夹，然后创建具有隐名的csv文件，如何在pyspark中创建具有任何特定名称的CSV，而不是在pandas中创建文件夹。
浏览 7提问于2021-11-09得票数 0
1回答
我有一个需求，我想缓存一个数据集，然后通过在该数据集上并行地触发"N“个查询来计算一些度量，所有这些查询都计算类似的度量，只是过滤器会改变，我想并行运行这些查询，因为响应时间非常重要，而且我想要缓存的数据集总是小于一个我知道如何在Spark中缓存数据集，然后再对其进行查询，但如果必须在同一数据集中并行运行查询，如何实现
浏览 1提问于2017-12-09得票数 3
回答已采纳
我使用MySql数据库从LIMIT和OFFSET获取大量数据，如下所示：for (s <- a to partition) {
data = data.union(spark.read.jdbc(url","))).persist(StorageLevel.DISK_ON
浏览 3提问于2017-07-21得票数 0
回答已采纳
1回答
Pyspark提供了一个很大的可能性，可以通过将模型的交叉验证并行化，简单地用我如何才能实现类似的功能，斯派克的ScalaCrossValidator，即并行化每一个折叠？
浏览 1提问于2017-01-05得票数 3
回答已采纳
1回答
并行火花收集功能
、、
我注意到spark的函数，collect在大数据集上速度非常慢，所以我尝试使用并行化来修复这个问题。 spark = SparkSession.builder.appName('app_name').getOrCreate()这里是我尝试并行化我的收集函数的地方
def
浏览 4提问于2019-09-19得票数 0
我有一个计算密集型的python函数，在for循环中反复调用(每次迭代都是独立的，即令人尴尬的并行)。我正在寻找spark.lapply (来自SparkR)的一种功能，以利用星火集群。
浏览 1提问于2019-08-05得票数 0
作为最后一步，我有一个通过网络发送数据的spark作业。另一端的接收器可以处理比我当前发送的多10到50倍的并发请求，所以我正在寻找一种方法来进一步并行化，而不是内核的数量。我找到了为一个执行器提供多个核心的方法，但没有找到如何在每个核心上使用多个执行器的方法。spark-submit的--num-executors选项没有帮助。选项也是如此。spark.dynamicAllocation.enabled
spark
浏览 6提问于2020-07-31得票数 0
回答已采纳
1回答
我注意到在开源R上原生ML调用不会花费太多时间来为项的数据集运行算法(通常大约10000行-总共需要1分钟来获取数据、运行ML并交付我需要的结果)。
请注意，我并没有调用Spark的ML。但是我想看看我是否可以只使用spark进行分布式并行计算，看看我可以多快地学习。另一种选择是加载Spark DataFrame中的所有500项，并让Spark来决定如何在分区的DataFrame上运行ML。但这是一个单独的努力和研究，以比较与
浏览 3提问于2017-04-07得票数 1
1回答
如何改变火花放电中并行任务的数量？
我的意思是如何改变在我的电脑上运行的虚拟地图的数量。实际上，我想用地图函数的数量来绘制加速图。
浏览 5提问于2017-11-18得票数 0
我想在集群模式下使用ray.io来合并两个几乎无法装入内存的大型数据集(大致相同数量的记录)。Apache Spark的join可以做到这一点，但我的程序在onprem DC上运行，而Spark在k8s上还不受支持/可用。Ray.io看起来更轻量级，更容易获得批准，因为它将允许扩展其他ML相关任务(如并行化、xgboost等)。因此，我正在研究如何使用ray.io实现join操作。
浏览 1提问于2021-05-27得票数 0
一般来说，我想用相同的学习算法在Spark中比较大型数据集和拆分数据集之间的计算时间。另一个原因是我想得到分区模型的结果。如何调整参数才能得到想要的结果？
或者我可以停下来使用Spark中的原始方法来使用分区吗？
浏览 3提问于2016-08-25得票数 0
2回答
我有一个很大的Spark DataSet (Java) &我需要应用过滤器来获得多个数据集，并将每个数据集写入拼花地板。
Java Spark是否提供了可以并行编写所有拼图文件的功能？
浏览 19提问于2020-06-04得票数 0
回答已采纳
我有3个文件夹，包含三个不同模式的csv文件，在HDFS.All中，3个文件是巨大的(几个GBs)。我希望并行读取文件，并并行处理其中的行。我如何实现这是在一个纱线集群使用星火？
浏览 2提问于2017-10-03得票数 1
回答已采纳
1回答
我没有固定长度的数据集，我正在尝试创建一个。试图找出是创建一个长度为N的虚拟数组来并行化，还是传递一个运行N次的函数。不确定哪种方法是有效的/更好的，我在Spark中看到，如果我开始使用一个定义良好的数据集，比如文档中的单词，那么这些单词的长度/计数已经定义好了，我只需要并行化一些映射或过滤器来对这些数据执行一些操作。在我的例子中，我认为这是不同的，试图
浏览 5提问于2015-11-27得票数 0
回答已采纳
我在集群中以独立模式运行Spark (100台机器，每台计算机16个CPU核，每台机器32 GB RAM )。我在运行任何应用程序时都会指定SPARK_WORKER_MEMORY和SPARK_WORKER_CORES。
在星火程序设计中，我把它当作一个串行程序来编程，然后星火框架会自动并行任务，对吗？当然，通过数据并行来开发多线程需要更大的内存，但我不知道我的Spark程序中的哪个功能是由多线程并行
浏览 2提问于2017-01-23得票数 0
回答已采纳
2回答
环境: Scala、spark、结构化流媒体
如果我在Scala Array(Dataset[Row])中有一个数据集的数组，我对使用处理Dataset[Row]对象的函数并行处理感兴趣，那么通过map或foreach传递数组对象来利用spark集群中的sparks并行性是否足够？
浏览 2提问于2020-07-26得票数 0
我考虑了两个具有类似概念的集合--来自Scala的ParHashMap和来自Java的ConcurrentHashMap。它们都具有相同的时间复杂度，并且都是线程安全和无锁的，但它们只基于不同的概念，因此，隐藏trie和哈希表。这个推理引发了疑问:为什么我们需要来自Scala的ParHashMap，而Java需要ConcurrentHashMap呢？
浏览 9提问于2017-01-09得票数 3
回答已采纳
扫码
添加站长 进交流群
领取专属 10元无门槛券
手把手带您无忧上云
相关资讯
热门标签
云服务器
ICP备案
腾讯会议
云直播
对象存储活动推荐
腾讯云开发者
