日前，Rstudio公司发布了sparklyr包。该包具有以下几个功能：
- 实现R与Spark的连接—
sparklyr包提供了一个完整的dplyr后端 - 筛选并聚合Spark数据集，接着在R中实现分析与可视化
- 利用Spark的MLlib机器学习库在R中实现分布式机器学习算法
- 可以创建一个扩展，用于调用Spark API。并为Spark的所有包集提供了一个接口
- 未来在RStudio IDE中集成支持Spark和sparklyr包
安装
通过devtools包实现sparklyr包的安装：
install.packages("devtools")
devtools::install_github("rstudio/sparklyr")接着，我们需要在本地安装Spark：
library(sparklyr)
spark_install(version = "1.6.1")如果用的是RStudio IDE，还需下载最新的预览版IDE。它包含有实现与Spark交互的若干增强功能(详情参考RStudio IDE)。
连接Spark
安装好sparklyr包之后，我们连接本地的Spark，也可以连接远程的Spark集群。这里，我们使用spark_connect函数来连接本地的Spark：
library(sparklyr)
library(dplyr)
sc <- spark_connect(master = "local")返回的Spark连接(sc)为Spark集群提供了一个远程的dplyr数据源。更多连接远程Spark集群的信息参考这里
读取数据
使用copy_to函数可以实现将R中的数据框导入到Spark。下面我将R自带的iris数据集，nycflights13包的flights数据集，以及Lahman包的Batting数据集复制到Spark（请确保安装了这两个包）。
iris_tbl <- copy_to(sc, iris)
flights_tbl <- copy_to(sc, nycflights13::flights, "flights")
batting_tbl <- copy_to(sc, Lahman::Batting, "batting")使用dplyr的src_tbls函数可以列出所有可用的表（包括预先加载在集群内的表）。
src_tbls(sc)
[1] "batting" "flights" "iris" 使用dplyr语法
我们利用dplyr语法来对集群内的所有表进行操作，下面是一个简单的数据筛选案例：
# 筛选出飞机晚点两分钟的航班信息
flights_tbl %>% filter(dep_delay == 2)Source: query [?? x 16]
Database: spark connection master=local app=sparklyr local=TRUE
year month day dep_time dep_delay arr_time arr_delay carrier tailnum flight origin dest
<int> <int> <int> <int> <dbl> <int> <dbl> <chr> <chr> <int> <chr> <chr>
1 2013 1 1 517 2 830 11 UA N14228 1545 EWR IAH
2 2013 1 1 542 2 923 33 AA N619AA 1141 JFK MIA
3 2013 1 1 702 2 1058 44 B6 N779JB 671 JFK LAX
4 2013 1 1 715 2 911 21 UA N841UA 544 EWR ORD
5 2013 1 1 752 2 1025 -4 UA N511UA 477 LGA DEN
6 2013 1 1 917 2 1206 -5 B6 N568JB 41 JFK MCO
7 2013 1 1 932 2 1219 -6 VX N641VA 251 JFK LAS
8 2013 1 1 1028 2 1350 11 UA N76508 1004 LGA IAH
9 2013 1 1 1042 2 1325 -1 B6 N529JB 31 JFK MCO
10 2013 1 1 1231 2 1523 -6 UA N402UA 428 EWR FLL
.. ... ... ... ... ... ... ... ... ... ... ... ...
Variables not shown: air_time <dbl>, distance <dbl>, hour <dbl>, minute <dbl>.dplyr导论提供了许多dplyr包中函数的使用案例。以下案例演示的是航班延误信息的数据可视化：
delay <- flights_tbl %>%
group_by(tailnum) %>%
summarise(count = n(), dist = mean(distance), delay = mean(arr_delay)) %>%
filter(count > 20, dist < 2000, !is.na(delay)) %>%
collect
# 绘图
library(ggplot2)
ggplot(delay, aes(dist, delay)) +
geom_point(aes(size = count), alpha = 1/2) +
geom_smooth() +
scale_size_area(max_size = 2)
窗口函数
支持dplyr的窗口函数。如下所示：
batting_tbl %>%
select(playerID, yearID, teamID, G, AB:H) %>%
arrange(playerID, yearID, teamID) %>%
group_by(playerID) %>%
filter(min_rank(desc(H)) <= 2 & H > 0)Source: query [?? x 7]
Database: spark connection master=local app=sparklyr local=TRUE
Groups: playerID
playerID yearID teamID G AB R H
<chr> <int> <chr> <int> <int> <int> <int>
1 anderal01 1941 PIT 70 223 32 48
2 anderal01 1942 PIT 54 166 24 45
3 balesco01 2008 WAS 15 15 1 3
4 balesco01 2009 WAS 7 8 0 1
5 bandoch01 1986 CLE 92 254 28 68
6 bandoch01 1984 CLE 75 220 38 64
7 bedelho01 1962 ML1 58 138 15 27
8 bedelho01 1968 PHI 9 7 0 1
9 biittla01 1977 CHN 138 493 74 147
10 biittla01 1975 MON 121 346 34 109
.. ... ... ... ... ... ... ...更多dplyr在Spark中的用法参考这里。
调用MLlib
利用sparklyr包中的MLlib函数可以实现在Spark集群中调用机器学习算法。
这里，我们使用ml_linear_regression函数来拟合一个线性回归模型。数据为内置的mtcars数据集，我们想看看能否通过汽车的重量(wt)和发动机的气缸数(cyl)来预测汽车的油耗(mpg)。我们假设mpg跟这两个变量之间的关系是线性的。
# 将mtcar数据集复制到spark
mtcars_tbl <- copy_to(sc, mtcars)
# 先对数据做变换，然后将数据集分割为训练集和测试集
partitions <- mtcars_tbl %>%
filter(hp >= 100) %>%
mutate(cyl8 = cyl == 8) %>%
sdf_partition(training = 0.5, test = 0.5, seed = 1099)
# 对训练数据集做模型拟合
fit <- partitions$training %>%
ml_linear_regression(response = "mpg", features = c("wt", "cyl"))Call:
mpg ~ wt + cyl
Coefficients:
(Intercept) wt cyl
33.499452 -2.818463 -0.923187 对spark得到的线性回归模型，使用summary()函数可以查看模型的拟合效果以及每个预测指标的统计意义。
summary(fit)Call:
mpg ~ wt + cyl
Residuals:
Min 1Q Median 3Q Max
-1.752 -1.134 -0.499 1.296 2.282
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 33.49945 3.62256 9.2475 0.0002485 ***
wt -2.81846 0.96619 -2.9171 0.0331257 *
cyl -0.92319 0.54639 -1.6896 0.1518998
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
R-Squared: 0.8274
Root Mean Squared Error: 1.422Spark机器学习提供常用机器学习算法的实现和特征变换。更多信息请参考这里。
RStudio IDE
RStudio的最新预览版集成支持Spark和sparklyr包。包含以下工具：
- 创建和管理Spark连接
- 浏览表格数据和Spark DataFrames的所有列
- 可以预览Spark DataFrames的前1000行
一旦成功安装完sparklyr包，我们可以在IDE中可以看到一个新的Spark窗口。该窗口包含一个New Connection对话框，用于连接本地或者远程的Spark。如下所示：
Sparklyr包的官方网站提供了详尽的学习文档，感兴趣的读者可以自行了解：
本文由雪晴数据网负责翻译整理，原文参考sparklyr — R interface for Apache Spark。转载本译文请注明链接http://www.xueqing.tv/cms/article/232