Spark全栈数据分析

本书英文原名为 Agile Data Science 2.0: Building Full-Stack Data Analytics Applications with Spark，作者 Russell Jurney 结合自身在 LinkedIn、Ning 等公司构建分析型产品的经验，提出了一套用敏捷开发方式开展数据科学工作的实践方法论。全书以 Spark 为核心处理引擎，串联起从事件数据采集、序列化存储、批处理与流处理，到 MongoDB 发布数据、Elasticsearch 提供搜索、前端图表与报表展示的完整链路，把“数据科学”落在一个真正能交付给用户的分析应用上。 全书分为两大部分。第Ⅰ部分“准备工作”说明敏捷数据科学的方法论与团队角色分工，介绍工具集的选型与本地/云端环境搭建（Vagrant、EC2、Jupyter 笔记本），并交代贯穿全书的示例数据集；涉及 Python 3、JSON 行与 Parquet 序列化、Spark 数据处理、MongoDB、Elasticsearch、Apache Kafka 与 PySpark Streaming 等工具的基本用法。第Ⅱ部分“攀登金字塔”是一份逐步构建分析应用的教程：收集并展示航班记录、加入图表做可视化、通过交互式报表探索数据中的实体关系、对航班准点与否进行预测、部署预测系统，再迭代改进预测效果。附录提供完整的安装手册。 本书并不追求算法的数学深度，而是强调“让数据产生价值”的工程闭环，适合作为数据科学入门者与转岗工程师的第一本全栈实战书。