park安裝略，下載解壓配置下就OK 我使用的是spark-2.2.0-bin-hadoop2.7
安裝完畢后需要配置一下SPARK_HOME:
SPARK_HOME=C:\spark\spark-2.2.0-bin-hadoop2.7
Path里也要記得添加一下：
Path=XXXX;%SPARK_HOME%\bin;
Python與Spark交互主要用到pyspark這個模塊，所以需要准備好擴展包，詳細請參考《機器學習入門前准備》
Whl安裝好后，能得到一個py4j文件夾，但是還需要pyspark模塊這個文件夾里的內容，pyspark的獲得更簡單，直接去復制spark-2.2.0-bin-hadoop2.7/python/pyspark就好了。
PS：在某些版本的pyspark調用時會出現，自己稍微查下原因，網上都有配套的py文件可以覆蓋，這里不是本文的重點，所以略過。
我們在《Spark原理詳解》中介紹過，RDD分為轉化（transformation）和動作（action）兩種操作。RDD是基於當前的partitions生成新的partitions；動作是基於當前的partitions生成返回對象（數值、集合、字典等）。所以在通過python調用spark的API時需要搞清楚返回值是什么。如果返回的是partitions，調用collect()函數可以拿到封裝后的數據集，分區部分對客戶端是透明的，也可以調用glom()來關心具體的分區情況。如果調用的是action那么就簡單得多，API直接返回結果內容。
Map、Reduce API：
最典型，也是最基本的入門API
from pyspark import SparkContext
sc = SparkContext('local')
#第二個參數2代表的是分區數，默認為1
old=sc.parallelize([1,2,3,4,5],2)
newMap = old.map(lambda x:(x,x**2))
newReduce = old.reduce(lambda a,b : a+b)
print(newMap.glom().collect())
print(newReduce)
[[(1, 1), (2, 4)], [(3, 9), (4, 16), (5, 25)]] 15
SparkContext是代碼的核心，初始化時需要設置spark的啟動類型，分為local、Mesos、YARN、Standalone模式（詳見Spark原理詳解）
Map和reduce里都要設置一個function，我們這里用了lambda匿名函數來實現。從結果可以看將前兩和后三個分別放在了1個分區中，reduce是個action直接返回的是key的sum。
預留問題：能否reduce按第二行進行求和合並，how？
flatMap、filter、distinc API：
數據的拆分、過濾和去重
sc = SparkContext('local')
old=sc.parallelize([1,2,3,4,5])
#新的map里將原來的每個元素拆成了3個
newFlatPartitions = old.flatMap(lambda x : (x, x+1, x*2))
#過濾，只保留小於6的元素
newFilterPartitions = newFlatPartitions.filter(lambda x: x<6)
#去重
newDiscinctPartitions = newFilterPartitions.distinct()
print(newFlatPartitions.collect())
print(newFilterPartitions.collect())
print(newDiscinctPartitions.collect())
[1, 2, 2, 2, 3, 4, 3, 4, 6, 4, 5, 8, 5, 6, 10] [1, 2, 2, 2, 3, 4, 3, 4, 4, 5, 5] [1, 2, 3, 4, 5]
Sample、taskSample、sampleByKey API：
數據的抽樣，在機器學習中十分實用的功能，而它們有的是傳輸有的是動作，需要留意這個區別。
代碼：
sc = SparkContext('local')
old=sc.parallelize(range(8))
samplePartition = [old.sample(withReplacement=True, fraction=0.5) for i in range(5)]
for num, element in zip(range(len(samplePartition)), samplePartition) :
print('sample: %s y=%s' %(str(num),str(element.collect())))
taskSamplePartition = [old.takeSample(withReplacement=False, num=4) for i in range(5)]
for num, element in zip(range(len(taskSamplePartition)), taskSamplePartition) :
#注意因為是action，所以element是集合對象，而不是rdd的分區
print('taskSample: %s y=%s' %(str(num),str(element)))
mapRdd = sc.parallelize([('B',1),('A',2),('C',3),('D',4),('E',5)])
y = [mapRdd.sampleByKey(withReplacement=False,
fractions={'A':0.5, 'B':1, 'C':0.2, 'D':0.6, 'E':0.8}) for i in range(5)]
for num, element in zip(range(len(y)), y) :
#注意因為是action，所以element是集合對象，而不是rdd的分區
print('y: %s y=%s' %(str(num),str(element.collect())))
sample: 0 y=[2, 5]
sample: 1 y=[0, 3, 3, 6]
sample: 2 y=[0, 4, 7]
sample: 3 y=[1, 3, 3, 3, 6, 7]
sample: 4 y=[2, 4, 6]
taskSample: 0 y=[3, 4, 1, 6]
taskSample: 1 y=[2, 5, 3, 4]
taskSample: 2 y=[7, 1, 2, 5]
taskSample: 3 y=[6, 3, 1, 2]
taskSample: 4 y=[4, 6, 5, 0]
y: 0 y=[('B', 1)]
y: 1 y=[('B', 1), ('D', 4), ('E', 5)]
y: 2 y=[('B', 1), ('A', 2), ('C', 3), ('E', 5)]
y: 3 y=[('B', 1), ('A', 2), ('D', 4), ('E', 5)]
y: 4 y=[('B', 1), ('A', 2), ('C', 3), ('E', 5)]
有幾個參數需要說明下：
withReplacement代表取值后是否重新放回元素池，也就決定了某元素能否重復出現。
Fraction代表每個元素被取出來的概率。
Num代表取出元素的個數。
交集intersection、並集union、排序sortBy API：
sc = SparkContext('local')
rdd1 = sc.parallelize(['C','A','B','B'])
rdd2 = sc.parallelize(['A','A','D','E','B'])
rdd3 = rdd1.union(rdd2)
rdd4 = rdd1.intersection(rdd2)
print(rdd3.collect())
print(rdd4.collect())
print(rdd3.sortBy(lambda x : x[0]).collect())
['C', 'A', 'B', 'B', 'A', 'A', 'D', 'E', 'B'] ['A', 'B'] ['A', 'A', 'A', 'B', 'B', 'B', 'C', 'D', 'E']
flod折疊、aggregate聚合API：
這倆都是action，雖然pyspark提供了max、min、sum、count、mean、stdev（標准差，反應平均值的離散程度）、sampleStdev（與stdev意義相同，stdev分母N-1，sampleStdev分母N）、sampleVariance（方差，所有值平方和除N-1）、top、countByValue、first、collectAsMap等內置的統計函數，但是在某型特殊場景下還是希望能人工訂制聚合的公式，需要用到這兩個動作。
代碼：
sc = SparkContext('local')
rdd1 = sc.parallelize([2,4,6,1])
rdd2 = sc.parallelize([2,4,6,1],4)
zeroValue = 0
foldResult = rdd1.fold(zeroValue,lambda element, accumulate : accumulate+element)
zeroValue = (1,2)
seqOp = lambda accumulate,element : (accumulate[0] + element, accumulate[1] * element)
combOp = lambda accumulate,element : (accumulate[0]+element[0], accumulate[1] * element[1])
aggregateResult = rdd1.aggregate(zeroValue,seqOp,combOp)
print(foldResult)
print(aggregateResult)
aggregateResult = rdd2.aggregate(zeroValue,seqOp,combOp)
print(foldResult)
print(aggregateResult)
13 (15, 192) 13 (18, 1536)
Fold略簡單，但是agregate的理解非常難，不同的分區場景會得到不同的結果，這里用圖來解釋說明下：
默認1個partition的情況：
4個partition的情況：
reduceByKey、 reduceByKeyLocal API：
這兩個要計算的效果是一樣的，但是前者是傳輸，后者是動作，使用時候需要注意：
sc = SparkContext('local')
oldRdd=sc.parallelize([('Key1',1),('Key3',2),('Key1',3),('Key2',4),('Key2',5)])
newRdd = oldRdd.reduceByKey(lambda accumulate,ele : accumulate+ele)
newActionResult = oldRdd.reduceByKeyLocally(lambda accumulate,ele : accumulate+ele)
print(newRdd.collect())
print(newActionResult)
[('Key1', 4), ('Key3', 2), ('Key2', 9)]
{'Key1': 4, 'Key3': 2, 'Key2': 9}
回到前面map、reduce尾巴留的那個思考題，實現的方式不止一種，我這里給出兩種解題思路：
方案A：
sc = SparkContext('local')
#第二個參數2代表的是分區數，默認為1
old=sc.parallelize([1,2,3,4,5])
newMapRdd = old.map(lambda x : (str(x),x**2))
print(newMapRdd.collect())
mergeRdd = newMapRdd.values()
print(mergeRdd.sum())
sc = SparkContext('local')
oldRdd=sc.parallelize([1,2,3,4,5])
newListRdd = oldRdd.map(lambda x : x**2)
newMapRdd = oldRdd.zip(newListRdd)
print(newMapRdd.values().sum())
之所以給出這些思路，是因為我們在使用 pyspark 的時候，除了要關心 transformation 和 action 之分，還需要注意你要處理的 rdd 里的數據是 list 還是 map ，因為對於他們實用的方法又是不同的。如果有必要，可以像這樣做 list 和 map 的轉換。