5

如果这个问题措辞不当，我深表歉意：我正在进行一个大型机器学习项目，我不喜欢用 Java 编程。我喜欢用 Python 编写程序。我听说过关于猪的好消息。我想知道是否有人可以向我澄清 Pig 与 Python 结合用于数学相关工作的用途。另外，如果我要编写“流式 python 代码”，Jython 会出现吗？如果它出现在图片中会更有效吗？

谢谢

PS：出于几个原因，我不喜欢按原样使用 Mahout 的代码。我可能想使用他们的一些数据结构：知道这是否可行会很有用。

4

3 回答 3

5

将 Python 与 Hadoop 一起使用的另一个选择是PyCascading。您可以在 Python/Jython 中仅编写 UDF 或使用流式传输，而不是将整个作业放在一起，在定义数据处理管道的同一脚本中使用 Python 函数作为“UDF”。Jython 用作 Python 解释器，流操作的 MapReduce 框架是Cascading。连接、分组等在本质上与 Pig 类似，因此如果您已经了解 Pig，也就不足为奇了。

字数统计示例如下所示：

@map(produces=['word'])
def split_words(tuple):
    # This is called for each line of text
    for word in tuple.get(1).split():
        yield [word]

def main():
    flow = Flow()
    input = flow.source(Hfs(TextLine(), 'input.txt'))
    output = flow.tsv_sink('output')

    # This is the processing pipeline
    input | split_words | GroupBy('word') | Count() | output

    flow.run()
于 2012-01-17T07:00:56.400 回答
3

当您在 pig中使用流式传输时，您使用哪种语言并不重要......它所做的只是在 shell 中执行一个命令（如通过 bash）。您可以使用 Python，就像您可以使用grepC 程序一样。

您现在可以在 Python 中本地定义 Pig UDF。这些 UDF 在执行时将通过 Jython 调用。

于 2011-07-08T12:34:20.783 回答
0

Programming Pig书中讨论了使用 UDF。一般来说，这本书是不可或缺的。在最近的一个项目中，我们使用了 Python UDF，并且偶尔会遇到浮点数与双精度数不匹配的问题，因此请注意。我的印象是，对 Python UDF 的支持可能不如对 Java UDF 的支持那么可靠，但总的来说，它运行得很好。

于 2011-07-08T20:10:59.167 回答