大數據分析平台

商業模式與大數據分析競賽專用平台如下

各服務連結如下

Hadoop叢集
- Jupyter PC cluster
- RStudio PC cluster
GPU伺服器(使用GPU環境必須要透過中山大學的ip位置才可以連線)
- Jupyter with GPU
- RStudio with GPU

大數據分析平台的服務有兩項，分別是由18台主機共有136個核心數和1.5TB記憶體組成的Hadoop的叢集(Hadoop cluster) 以及 備載GPU運算能力的伺服器。 而本院提供的開發環境為RStudio和Jupyter，使用者可以透過R和Python兩種語言來撰寫程式。

在這個頁面我們提供幾項簡易的教學，分別是

Hadoop連線設定
Spark連線設定
Spark實作巨量資料範例
GreenPlum實作範例
GPU伺服器的環境變數設定

Hadoop

Hadoop是什麼呢？
簡單來講，想像如果有個檔案大小超過你的個人電腦可以儲存的容量，那絕對無法被放進你的電腦對吧？這時候我們就需要Hadoop了！
Hadoop是一個能儲存並管理大量資料的雲端平台，除了能儲存超過一個伺服器所能容納的檔案外，還能夠同時儲存、處理、分析幾千萬份這種超大的檔案，所以每當講到大數據，便會提到Hadoop這套技術。
這段影音及文字教學，目的是要讓使用者可以連線上管院伺服器上的Hadoop，並對HDFS(Hadoop File System)上的檔案做些簡單的操作。

影音教學

連線設定
- 在連線到Hadoop前，必須先設定環境變數。
- 請各位使用者直接複製底下兩行程式碼在程式的最一開始，如果沒有執行這兩行程式的話會無法連線上Hadoop。
```
Sys.setenv("HADOOP_CMD" = "/home/hadoop/hadoop/bin/hadoop")
Sys.setenv("HADOOP_STREAMING"="/home/hadoop/hadoop/share/hadoop/tools/lib/hadoop-streaming-2.8.1.jar")
```
載入packages
- rmr2, plyrmr, rhdfs 這些packages提供許多R的函式，讓使用者可以直接對HDFS系統上的任何檔案執行些指令，像是存取或是做資料分析。
- hdfs.init() 這句的意思是連線HDFS系統。
```
library(rmr2)
library(plyrmr)
library(rhdfs)
hdfs.init()
```

與HDFS系統互動

to.dfs( )：寫入檔案至HDFS。

from.dfs( )：讀取HDFS上的檔案。

# 將mtcars這個dataframe上傳至hdfs檔案處理系統
to.dfs(mtcars, "/home/yourAccountName/mtcars.csv", format = "csv")
# 從hdfs檔案處理系統上讀取檔案
from.dfs("/home/yourAccountName/mtcars.csv", format = "csv")

hdfs.ls()：列出HDFS上的所有檔案。

hdfs.del()：刪除HDFS上的所有檔案。

hdfs.ls("/home/yourAccountName")
hdfs.del("/home/yourAccountName/mtcars.csv")

上述語法的 /yourAccountName/ 部分，請使用者自行將其改成自己的目錄名稱。

以上就是對於如何連線上Hadoop以及與HDFS互動的介紹。
當然，使用者可以透過"MapRudeuce"的方法去對Hadoop上的資料做更多操作。

Spark

既然處理大數據我們有了Hadoop這個強大的工具了，那為何還有Spark的出現呢？而Spark與Hadoop又有什麼不同呢？

Hadoop在執行MapReduce的運算時，會將中間產生的數據，存儲在硬碟中，也就說任何的資料存取都是在執行I/O，而I/O往往是效能的瓶頸，因此會有讀寫資料延遲的問題。但Spark比Hadoop晚4年問世，卻能以100倍快的速度執行MapReduce是為什麼呢？

Spark是基於記憶體內的運算框架，在運算時，會將中間產生的數據暫存在記憶體中，因此可以大大地加快運算速度，尤其是反覆執行越多次時，所需讀取的資料量就越大，越能看出Spark的效能。而Spark同時也與Hadoop相容，所以同樣可以透過HDFS存儲檔案。

影音教學

載入所需的package並連線上HDFS

該步驟與前面的Hadoop連線是一樣的，目的是要連線上HDFS。

Sys.setenv("HADOOP_CMD" = "/home/hadoop/hadoop/bin/hadoop")
Sys.setenv("HADOOP_STREAMING"="/home/hadoop/hadoop/share/hadoop/tools/lib/hadoop-streaming-2.8.1.jar")
library("rhdfs")
hdfs.init()

設定Spark的連線資訊

由於Spark是基於記憶體的運算，所以在連線前必須了解連線的伺服器提供多大的資源，並設定合理的資源消耗，例如使用多少的記憶體、核心數等等。

# the following code are fixed setting
library(dplyr) 
library(sparklyr)
Sys.setenv(SPARK_HOME="/usr/local/spark/spark-2.1.0-bin-hadoop2.7/")
config <- spark_config()
config$spark.executor.memory = "32G"
config$spark.cores.max = "50"
config$spark.driver.memory = "16G" 
config$spark.yarn.executor.memoryOverhead = "4096"
    
    # create a connection to Spark
sc <- spark_connect(master = "spark://hnamenode:7077", config = config)

執行完以上的程式後就可以連線上Spark了。
如果連線成功的話，會在RStudio的畫面右上角看到一個新的頁籤叫做"connection"。如果連線失敗則會在console的頁面跳出錯誤訊息。

在HDFS上存取檔案

先前提到過，Spark跟HDFS是相容的，所以連線上Spark時也可以對HDFS上的檔案做存取。

底下程式碼示範如何從HDFS上讀出檔案和把R的物件儲存至HDFS。

hdfs.ls("/home/yourAccountName/")
mySDF = spark_read_csv(sc, name = "mtcars", path = "hdfs:/home/yourAccountName/mtcars.csv", header = T)

# you can also move R dataframe to Spark.
movies_sdf = copy_to(sc, df = ggplot2movies::movies, name = "movies",overwrite = T)

中斷連線
- 若使用者在執行完畢Spark的操作卻沒有中斷連線的話，會導致集群上環的運算資源被特定使用者佔用住，導致其他使用者無法使用群集上資源，所以，當使用完Spark時務必要養成斷線的好習慣。
```
spark_disconnect(sc)
```

範例：如何在Spark上操作巨量資料

接下來的範例會示範如何在Spark上操作巨量資料。
範例中我們會用到 babynames 資料集，資料集紀錄一百八十多萬的新生兒姓名資料。選用這個資料集的目的是要讓使用者感受在操作巨量資料時，Spark的運算能力有多強大。

影音教學

設定連線資訊＆讀取資料

Spark 連線

    # the following code are fixed setting
    Sys.setenv("HADOOP_CMD" = "/home/hadoop/hadoop/bin/hadoop")
    Sys.setenv("HADOOP_STREAMING"="/home/hadoop/hadoop/share/hadoop/tools/lib/hadoop-streaming-2.8.1.jar")
    library("rhdfs")
    hdfs.init()
    
    library(dplyr) 
    library(sparklyr)
    Sys.setenv(SPARK_HOME="/usr/local/spark/spark-2.1.0-bin-hadoop2.7/")
    config <- spark_config()
    config$spark.executor.memory = "32G"
    config$spark.cores.max = "50"
    config$spark.driver.memory = "16G" 
    config$spark.yarn.executor.memoryOverhead = "4096"

    # create a connection to Spark
    sc <- spark_connect(master = "spark://hnamenode:7077", config = config)

資料集讀取

上述的資料集已經放在叫做 sample 資料夾裡面了，透過底下的程式碼就可以將資料讀出來了。
babynames是美國新生兒的姓名資料，資料筆數大約有 一百八十多萬 多筆。

    data_file_1 = "hdfs:/home/sample/babynames.csv"
    # 透過spark_read_csv 至 hdfs上 讀取babynames 資料集
    baby = spark_read_csv(sc, "babynames", data_file_2)
    # babynames 資料集總共有一百八十多萬筆  
    baby %>% summarise(n = n())

簡單查詢句：以 babynames 資料為例
使用者可以想像當資料筆數超級多的時候，一句查詢句至少要搜尋過全部資料一次，那會需要花多少時間去執行這個查詢句，況且實務上我們不會只做單一條件的查詢句，也就是說我們的條件可能會很複雜包含不只一個變數，那表示一定會搜尋全部的資料不少次，可想而知，這必定是很耗資源的一段程式。但透過Spark，執行底下的程式最多只要花5~7秒的時間就可以完成查詢，這就是Spark強大的地方。

以babynames資料為例，底下查詢句用來查詢各欄位中 不重複的資料 有幾筆。

執行結果可以看出prop欄位的不重複資料有16萬多筆，卻能夠很快就完成查詢句。

# 設定起始時間
start_time <- proc.time()
baby %>% 
    summarise(n_year = n_distinct(year),
              n_sex = n_distinct(sex),
              n_name = n_distinct(name),
              n_n = n_distinct(n),
              n_prop = n_distinct(prop)) %>% 
              data.frame
    #   n_year n_sex  n_name  n_n   n_prop
    #     136    2    95025  13604  162480
              
# 用程式執行完的時間減去起始時間
proc.time() - start_time
    #   user   system  elapsed  
    #   0.059   0.025   0.769

如果是直接在執行相同的查詢句，而不是透過spark做運算的話，其執行速度沒有辦法來得像spark這麼快。

# 設定起始時間
start_time <- proc.time()
babynames::babynames %>% 
    summarise(n_year = n_distinct(year),
              n_sex = n_distinct(sex),
              n_name = n_distinct(name),
              n_n = n_distinct(n),
              n_prop = n_distinct(prop)) %>%
              data.frame
    #   n_year n_sex  n_name  n_n   n_prop
    #     136    2    95025  13604  162480

proc.time() - start_time
    #   user   system  elapsed  
    #   0.578   0.013   0.658

資料視覺化：以 babynames 這個資料集為範例
babynames這個資料集紀錄從1880年開始，在美國每年出生的新生兒取哪些名字，每個名字總共被用了幾次等資訊，在資料集裡面共有5個columns，分別是年份、性別、姓名、總數、佔總出生人數的比重。

在範例中，寫了一個函式用來查詢特定一年中，哪些名字最常被使用來命名。
另外我們也附上官方教學文件供使用者參考。

載入會用到的packages

    library(ggplot2)  #The following are the tools for graphing
    library(dygraphs)
    library(rbokeh)
    library(RColorBrewer)
    library(plotly)

先找出1986以後且被用來命名過超過一千次的資料，列出姓名跟性別這個兩個變數，並以topNames這個變數儲存起來。

    topNames = baby %>% 
        filter(year > 1986) %>%
        group_by(name, sex) %>%
        summarize(count = sum(n)) %>%
        filter(count > 1000) %>%
        select(name, sex)

接著用原始資料對topNames做inner_join，並且group_by年份這個變數，表示出來的結果會是各年中最代表的姓名

    yearlyName = baby %>%
        filter(year > 1986) %>%
        inner_join(topNames) %>%
        group_by(year, name, sex) %>%
        summarize(count = sum(n)) %>%
        sdf_copy_to(sc, ., "yearlyname", T, overwrite=T)

再來我們將上面做過的事情，寫成一個函式，以便未來想要做查詢的時候，不需要重複打這麼多程式碼，只要傳入年份變數就可以得到我們想要的結果，還可以把結果以圖形化的方式呈現出來。

    MostPopularNames <- function(year) {
        topNames <- baby %>% 
            filter(year >= 1986) %>%
            group_by(name, sex) %>%
            summarize(count = sum(n)) %>%
            filter(count > 1000) %>%
            select(name, sex)
        
        yearlyName <- baby %>%
            filter(year >= 1986) %>%
            inner_join(topNames) %>%
            group_by(year, name, sex) %>%
            summarize(count = sum(n)) %>%
            sdf_copy_to(sc, ., "yearlyname", T, overwrite=T)
      
        TopNm <- yearlyName %>%
            filter(year == year) %>%
            group_by(name,sex) %>%
            summarize(count=sum(count)) %>%
            group_by(sex) %>%
            mutate(rank = min_rank(desc(count))) %>%
            filter(rank < 5) %>%
            arrange(sex, rank) %>%
            select(name,sex,rank) %>%
            sdf_copy_to(sc,.,"topNames",T,overwrite=TRUE)

        topNamesYearly <- yearlyName %>% 
            inner_join(select(TopNm, sex, name)) %>% 
            collect
            
        #兩種畫法可以選一種畫就好
        #第一種圖
        ggplot(topNamesYearly,
                aes(year, count, color = name)) + 
                facet_grid(~sex) + 
                geom_line() + 
                ggtitle(paste0("Most Popular Names of ", year))

        #第二種圖
        # 拿出名字欄位之後要做factor化
        names <- TopNm %>% 
            select(name) %>% 
            collect %>% 
            as.data.frame
            
        names <- names[, 1, T]
        
        topNamesYearly$name <- factor(topNamesYearly$name, levels = names, labels = names)
        
        p = ggplot(df, aes(year, count, color=name)) + 
            theme_light() + 
            facet_wrap(~sex, nrow=2) +
            geom_vline(xintercept = year, col='yellow', lwd=1.2) +
            geom_line() +
            ggtitle(sprintf('Most Popular Names of %d',year)) +
            scale_colour_brewer(palette = "Paired")
            
        plotly_build(p)
  }

透過函式給定特定年份，就可以得到該年中最常被使用的姓名是哪個。
```
    MostPopularNames(2015)
    MostPopularNames(2000) 
```

將男生姓名及女生姓名在資料中的分佈狀況畫出來。

    sharedName = baby %>%
      mutate(male=ifelse(sex == "M", n, 0),
             female=ifelse(sex == "F", n, 0)) %>%
      group_by(name) %>%
      summarize(Male = sum(male),
                Female = sum(female),
                count = sum(n),
                AvgYear = round(sum(year * n) / sum(n),0)) %>%
      filter(Male > 10000 & Female > 10000) %>% collect

    figure(width = NULL, height = NULL,
           xlab = "Log10 Number of Males",
           ylab = "Log10 Number of Females",
           title = "Top shared names (1880 - 2014)") %>%
      ly_points(log10(Male), log10(Female), data = sharedName,
                color = AvgYear, size = scale(sqrt(count)),
                hover = list(name, Male, Female, AvgYear), legend = FALSE

使用完Spark後，如果暫時沒有要再使用，務必要將其中斷連線
```
spark_disconnect(sc)
```

Greenplum 實作範例

影音教學

Greenplum database是一種開源的分散式資料庫，它提供PB級別數據量的快速分析能力及對超大資料表做快速查詢的能力。
過去，當使用者要分析儲存在資料庫上的結構化資料的時候，必須先將資料表讀入分析工具中，例如將一個table讀進RStudio中，再進行資料分析、建立模型等等，但如果資料表很大的話，會造成在讀取資料的階段就耗盡了大量的運算資源。而現在有了Greenplum這個擁有資料分析能力的資料庫，使用者可以直接在資料庫中對資料表做資料分析、做查詢句甚至是訓練模型，並將結果直接輸出至我們的分析工具中，如此一來，就可以避免在讀取資料時大量消耗運算資源的問題，使用者可以直接對資料庫中的資料表做更快速、更彈性的操作。

底下的範例會教使用者如何用RStudio連線上資料庫(本院提供的資料庫為Greenplum)以及對資料表做些簡單的查詢句。

載入packages
- PivotalR、DBI、RPostgreSQL都是與資料庫操作有關的packages，使用者可以根據自己的需求決定要載入哪些，範例中使用的語法都只有用到RPostgreSQL package裡面的function。
- 載入ggplot2 package是因為範例中會用到diamonds資料集。
```
library(PivotalR)
library(ggplot2)
library(DBI)
library(RPostgreSQL)
```
設定資料庫的連線資訊
- 為了方便起見，在申請帳號時本院會將dbname設定成使用者的帳號名稱。而user和password則是大數據分析平台的帳號和密碼。
- host為192.168.1.100。
```
pgConn = dbConnect("PostgreSQL",
               dbname = "帳號名稱",
               user="帳號名稱",
               password="密碼",
               host = "192.168.1.100")
```

常用基本語法

dbListTables()：列出所有資料表
dbWriteTable()：建立資料表
dbReadTable()：讀取資料表

dbListFields()：讀取資料表欄位

##List tables in database
dbListTables(pgConn)

diamonds = as.data.frame(diamonds)
##create table 
dbWriteTable(pgConn, "diamonds", diamonds)

##Read data in table
dbReadTable(pgConn, "diamonds")

##List column name of table
dbListFields(pgConn, "diamonds")

執行查詢句

第一種方式為dbSendQuery()，使用者下SQL去執行，執行完畢後產生一個resultset用來儲存結果，再透過fetch() function讀取resultset裡面儲存的資訊。

第二種方式為dbGetQuery()，直接取得使用者所下的SQL地執行結果。

## send query to database and create resultset object 
## use fetch() function to read the resultset
rs = dbSendQuery(pgConn, statement = "SELECT count(*) FROM diamonds");
fetch(rs);
dbClearResult(rs); rm(rs)


df = dbGetQuery(pgConn, "SELECT color, avg(price) as AvgPrice FROM diamonds group by color")

# color variable of diamonds dataset says that from "J" to "D" represents worst to best 
df$color = factor(df$color,
          order = T,
          levels = c("J","I","H","G","F","E","D"))

df[order(df$color), ]

以上是連線上資料庫與簡易的資料庫操作範例，使用可以依照自己的需求去使用一開始提到的幾個package內的功能，在這邊只簡單示範了幾個基本語法而已

GPU環境變數設定

GPU的環境變數設定是很重要的步驟，因為在管院商業大數據平台上，運算資源是由中山大學管理學院的學生共同享有的，若沒有適當地設定GPU環境變數的話，可能會造成系統資源被特定使用者佔用，導致其他使用者無法共享平台上的資源。以下我們會分別教學在Python和R中要如何設定GPU的環境變數。

Python

GPU 指定
- GPU指定的意思就是告訴電腦你要使用第幾張GPU。
- GPU的索引位置是從0開始並透過逗號分隔，也就是說如果要使用第一張和第三張GPU，則可以透過底下這段程式碼完成設定。
```
import os
# use first and third GPU
os.environ["CUDA_VISIBLE_DEVICES"] = "0,2"
```

限制GPU用量

一次只使用一張。

# use any one GPU
import tensorflow as tf
config = tf.ConfigProto(device_count={'GPU': 1})
sess = tf.Session(config=config)

限制GPU的記憶體使用量

限制使用者只能使用20%的記憶體

# use 20% memory of GPU
gpu_options = tf.GPUOptions(per_process_gpu_memory_fraction=0.2)
sess = tf.Session(config=tf.ConfigProto(gpu_options=gpu_options))

# if using Keras
import tensorflow as tf
from keras.backend.tensorflow_backend import set_session
config = tf.ConfigProto()
config.gpu_options.per_process_gpu_memory_fraction = 0.2
set_session(tf.Session(config=config))

R

GPU 指定
- GPU指定的意思就是告訴電腦你要使用第幾張GPU。
- GPU的索引位置是從0開始並透過逗號分隔，也就是說如果要使用第一張和第二張GPU，則可以透過底下這段程式碼完成設定。
```
Sys.setenv(CUDA_HOME="/usr/local/cuda")
Sys.setenv(PATH=paste(Sys.getenv("PATH"), "/usr/local/cuda/bin", sep = ":"))

# Use both card #0 and #1
Sys.setenv(CUDA_VISIBLE_DEVICES="0,1")
```

限制GPU用量

一次只使用一張。

library(keras); library(tensorflow)
config = tf$ConfigProto(device_count={'GPU': 1})
sess = tf$Session(config=config)

# if using keras please add the following
k_set_session(sess)

限制GPU的記憶體使用量

限制使用者只能使用20%的記憶體

gpu_options=tf$GPUOptions(per_process_gpu_memory_fraction=0.2)
sess = tf$Session(config=tf$ConfigProto(gpu_options=gpu_options))

# if using keras please add the following
k_set_session(sess)