大数据是处理极端数据集的概念。问题可能倾向于与基础设施，算法，统计数据和数据结构相关。
我对 NiFi 比较陌生，我想知道是否可以自动化下载一些 NiFi 模板然后将其上传到另一个集群的过程。 更准确地说，我创建了一个...
我正在尝试遵循大数据教程，它想要从使用 cqlsh 定义的键空间中读取数据。 我已经成功编译了这段代码： 需要“红宝石” 需要“卡桑德拉” ...
AWS SQS 不会触发期望的 Lambda stepfunctions ，不处理队列中的所有消息
我已经在s3存储桶上配置了sqs，sqs应该为s3存储桶中上传的21个文件调用21个stepfunctions，而不是只触发14个stepfunctions，并且我缺少剩余的7个事件。 我...
我正在尝试在非常大的数据集（几百万行）上运行广义线性模型。然而，R 似乎无法处理分析，因为我不断收到内存分配错误（无法...
我是 Spark 新手。 我在将 df 保存到 Hive 表的部分遇到了一些问题。 def insert_into_hive_table(df: DataFrame, table_name: str): # 用于调试 - 此操作正在运行...
假设我们有以下 json 结构： { “职位”：{ “节点”：“abc” } “提交内容”：{ “提交偏移量”：[ ...
使用 pyspark 将数据提取到独立文件中以解决：Spark 缓冲区持有者大小限制问题
问题 我遇到了与此相同的问题：Spark bufferholder size limit issues。 我的代码是这样的： # 计算统计数据 stats = df.groupBy("EventType").agg( 大小（收集集（“
我正在寻找合并和重塑 3 个表中的数据。我有 3 个表，大约有 250,000 行和 30 列。需要重塑以适应机器学习模型。 这是原版...
如何在 pyspark 中使用合并将 null 值替换为某个值
我有两个文件：-orders_renamed.csv，customers.csv 我使用完整的外部连接将它们连接起来，然后删除同一列（customer_id）。 我想将“ord...”中的 null 值替换为“-1”
我正在尝试使用下面提到的命令从Windows 10中的cmd提交spark程序： Spark-submit --class abc.Main --master local[2] C:\Users rpitbh\Desktop\AmdocsIDE\workspace\Line_Count_Spark\
1 2013-07-25 11599,已关闭 2 2013-07-25 256,PENDING_PAYMENT 3 2013-07-25 12111，完成 4 2013-07-25 8827,已关闭 5 2013-07-25 11318，完成 6 2013-07-25 7130，完成 7 2013-07-25...
我想在我的 DataFrame 中创建一个新列，枚举其中的行。我的 DataFrame 中有几百万个元素，因此我需要在 Rust 引擎中处理它，所以机智...
我们需要创建企业产品，需要选择分析数据的存储选项，最初数据将为 tb（10-40tb），但在未来几年可能会达到几个 PB。 要求： 高
对于机器学习/数据挖掘，我们需要了解数据，这意味着您需要学习 Hadoop，它在 Java 中实现了 MapReduce（如果我错了请纠正我）。 Hadoop 还提供
我在给定日期有多个包含产品数量的文件，但日期是在单独的列中而不是在行中提供的。 产品 01.01.2021 02.01.2021 产品 1 10 11 产品 2 11 12 这...
Load_libs already has been called error while installing hue on redhat?
我从github上克隆了hue 我将 python 版本导出到 3.8 并运行 make apps 它运行良好，直到最后，但最后在运行诸如...python /build/env/bin/hue --migration 之类的 hue 命令时，它给出了
无法使用 C 中的邻接表运行具有超过 100 万个顶点的图形
我想使用邻接表创建一个具有 2-3 百万个顶点的图。输入是随机创建的。当我运行一个只打印出越来越多的边的版本时，它运行得很好......
A 有一个包含几个大 numpy 数组的列表。在此列表中，某些条目可能属于 None 类型。 我想计算所有数组的平均值，同时忽略 None 条目。我怎样才能实现
我有两个大数据集（A 和 B），每个数据集包含 200000 个图像文件，每个文件的形状为 (44000,44000)。数据类型是 unint16。 因此，如果读取了所有文件，它将是：(200000,44000,...
我有一个基本上是数字档案的网站，所以图像的数量在不断增长。我一直在使用共享主机，因为它方便、便宜，而且我没有足够的系统管理员知道……