中山管院大數據分析平台說明
===
以下，我們會提供幾項簡易的教學，分別是
- <a href="#什麼是中山管院大數據平台？">什麼是中山管院大數據平台？</a>
- <a href="#Hadoop-連線設定與教學">Hadoop 連線設定與教學</a>
- <a href="#Spark-連線設定與教學">Spark 連線設定與教學</a>
- <a href="#Spark-進階範例：操作-babynames-資料集">Spark 進階範例：操作 babynames 資料集</a>
- <a href="Greenplum-實作範例">Greenplum 實作範例</a>
- <a href="#GPU-伺服器的環境變數設定">GPU 伺服器的環境變數設定</a>
## 什麼是中山管院大數據平台？
**各服務連結如下**
- Hadoop 叢集
- [Jupyter PC cluster](https://ba.cm.nsysu.edu.tw:9997/hub/login)
- [RStudio PC cluster](https://ba.cm.nsysu.edu.tw:8888/)
- GPU伺服器
- [Jupyter with GPU](https://ba.cm.nsysu.edu.tw:9998/hub/login)
- [RStudio with GPU](https://ba.cm.nsysu.edu.tw:8788/)
中山管院大數據分析平台是一個線上運算服務平台，提供強大的資料儲存與運算資源給管院學生。
目前有 **18 台主機共 136 個核心數和 1.5TB 記憶體組成的 Hadoop 叢集（Hadoop Cluster）** 以及 **備載GPU運算能力的伺服器。** 平台提供 RStudio 和 Jupyter 開發環境，讓使用者可以撰寫 R 和 Python 語言。
---
## Hadoop 連線設定與教學
**Hadoop 是什麼呢？什麼時候需要 Hadoop？**
假如我們在處理的大數據資料，檔案大小超過你的電腦的容量，我們還有辦法做數據分析嗎？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**，除了能儲存單個超級大的檔案，**還能夠同時儲存、處理、分析上千上萬上百萬份這種超大的檔案**。所以每當講到大數據，時常會提到 Hadoop 這套技術。
下面我們提供影片與文字版的教學，讓使用者可以連上管院伺服器上的 Hadoop，並對 HDFS(Hadoop File System) 上的檔案做些簡單的操作。
### 影音教學
{%youtube 60K8oHsIzw8 %}
### 文字教學
1. **連線設定**
- 在連線到Hadoop前，必須設定環境變數。
- 請直接複製底下兩行程式碼並在程式的最一開始執行，如果沒執行的話會無法連線上 Hadoop。
```r
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")
```
2. **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 系統上的檔案執行指令，例如存取資料或資料分析。
- **`hdfs.init()`**：連線 HDFS 叢集必備的步驟。
```r
library(rmr2)
library(plyrmr)
library(rhdfs)
hdfs.init()
```
3. **與HDFS系統互動**
- **`to.dfs()`**：寫入檔案至 HDFS。
- **`from.dfs()`**：讀取 HDFS 上的檔案。
```r
# 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 檔案系統讀取檔案
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。
```r
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。
以上是 Hadoop 連線以及基本 HDFS 操作的介紹。
使用者**可以透過更進階的「MapReduce」對 Hadoop 上的資料做操作。**
## Spark 連線設定與教學
既然我們有了 Hadoop 這個強大的工具來處理大數據，為何還需要 Spark 呢？而 Spark 與 Hadoop 又有什麼不同呢？
Hadoop 執行 MapReduce 運算時，會將中間產生的數據儲存在硬碟中，也就說任何的資料存取都會執行 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。
Spark 比 Hadoop 晚四年問世，**Spark 是一個基於記憶體的運算框架**，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。尤其是反覆執行多次時，需讀取的資料量越大，越能看出 Spark 的效能，而 Spark 同時也與 Hadoop 相容，所以可以透過 HDFS 存儲檔案、透過 Spark 在記憶體中運算。
### 影音教學
{%youtube FvBRkEtJZ98 %}
### 文字教學
1. **載入所需的 Package 並連線上 HDFS**
- 該步驟與前面的 Hadoop 連線一樣。
```r
# Hadoop settiing and initilize
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()
# spark and else packages
library(dplyr)
library(sparklyr)
Sys.setenv(SPARK_HOME = "/usr/local/spark/spark-2.1.0-bin-hadoop2.7/")
```
2. **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。
```r
# the following code are memory limit and executor setting
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下方的 console 頁籤跳出錯誤訊息。
3. **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。
```r
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)
```
4. **中斷連線**
- 若執行完 Spark 的操作卻沒有中斷連線的話，會導致集群上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。
```r
spark_disconnect(sc)
```
---
## Spark 進階範例：操作 babynames 資料集
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
{%youtube ZADM9UEjOaM %}
1. **設定連線資訊＆讀取資料**
- Spark 連線
```r
# Hadoop settiing and initilize
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()
# spark and else packages
library(dplyr)
library(sparklyr)
Sys.setenv(SPARK_HOME = "/usr/local/spark/spark-2.1.0-bin-hadoop2.7/spark-2.1.0-bin-hadoop2.7/")
# the following code are memory limit and executor setting
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 **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。
```r
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_1)
# babynames 資料集總共有一百八十多萬筆
baby %>% summarise(n = n())
```
2. **簡單查詢句：以 babynames 資料為例**
當資料筆數很多的時候，因為查詢句至少要搜尋過全部資料一次，需要會花非常多的時間，何況實務上查詢句可能包含不只一個變數，必定會耗費大量運算資源。
但透過 Spark，底下的程式只需花 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。
```r
# 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。
```r
# 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
```
3. **資料視覺化：以 babynames 資料集為例**
babynames 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](https://beta.rstudioconnect.com/content/1813/babynames-dplyr.nb.html#)供使用者參考。
- 載入會用到的packages
```r
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。
```r
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
```r
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。
```r
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(topNamesYearly, 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。
```r
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。
```r
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)
```
4. **使用完Spark後，如果暫時沒有要再使用，務必要將其中斷連線**
```r
spark_disconnect(sc)
```
---
## Greenplum 實作範例
### 影音教學
{%youtube 7KDRd2W5fjM %}
### 文字教學
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。
1. 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 是因為我們會用到 diamonds 資料集。
```r
library(PivotalR)
library(ggplot2) # for diamonds dataset
library(DBI)
library(RPostgreSQL)
```
2. 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`。
```r
pgConn = dbConnect("PostgreSQL",
dbname = "帳號名稱",
user = "帳號名稱",
password = "密碼",
host = "192.168.1.100")
```
3. 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
- dbRemoveTable()：刪除資料表
- dbListFields()：讀取資料表欄位
```r
# 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")
dbRemoveTable(pgConn, "diamonds")
```
4. 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()` 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 的執行結果。
```r
# 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"))
# show sorted result
df[order(df$color), ]
```
**以上是連線上資料庫與簡易的資料庫操作範例，使用可以依照自己的需求去使用一開始提到的幾個 package 內的功能，在這邊只簡單示範了幾個基本語法而已**
## GPU 伺服器的環境變數設定
GPU 的環境變數設定是很重要的步驟，因為在管院商業大數據平台上，運算資源是由**中山大學管理學院的學生共同享有**，若沒有適當地設定 GPU 環境變數的話，可能會造成系統資源被特定使用者佔用，導致其他使用者無法共享平台上的資源。以下我們會分別教學在 Python 和 R 中要如何設定GPU的環境變數。
### Python
1. GPU 指定
- GPU 指定的意思就是告訴電腦你要使用第幾張 GPU。
- GPU 的索引位置是從 0 開始並透過逗號分隔，也就是說如果要使用第一張和第三張GPU，則可以透過底下這段程式碼完成設定。
```python
import os
# use first and third GPU
os.environ["CUDA_VISIBLE_DEVICES"] = "0,2"
```
2. 限制 GPU 用量
- 一次只使用一張。
```python
# use any one GPU
import tensorflow as tf
config = tf.ConfigProto(device_count={'GPU': 1})
sess = tf.Session(config=config)
```
3. 限制 GPU 的記憶體使用量
- 限制使用者只能使用 20% 的記憶體
```python
# use 20% memory of GPU
gpu_options = tf.GPUOptions(per_process_gpu_memory_fraction=0.2)
sess = tf.Session(config=tf.ConfigProto(gpu_options=gpu_options))
# if using Keras
import tensorflow as tf
from keras.backend.tensorflow_backend import set_session
config = tf.ConfigProto()
config.gpu_options.per_process_gpu_memory_fraction = 0.2
set_session(tf.Session(config=config))
```
### R
1. GPU 指定
- GPU 指定的意思就是告訴電腦你要使用第幾張GPU。
- GPU 的索引位置是從 0 開始並透過逗號分隔，也就是說如果要使用第一張和第二張GPU，則可以透過底下這段程式碼完成設定。
```r
Sys.setenv(CUDA_HOME="/usr/local/cuda")
Sys.setenv(PATH=paste(Sys.getenv("PATH"), "/usr/local/cuda/bin", sep = ":"))
# Use both card #0 and #1
Sys.setenv(CUDA_VISIBLE_DEVICES="0,1")
```
2. 限制GPU用量
- 一次只使用一張。
```r
library(keras); library(tensorflow)
config = tf$ConfigProto(device_count={'GPU': 1})
sess = tf$Session(config=config)
# if using keras please add the following
k_set_session(sess)
```
3. 限制GPU的記憶體使用量
- 限制使用者只能使用20%的記憶體
```r
gpu_options=tf$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)
```