PySpark机器学习实战指南

PySpark 的机器学习书，页面挺厚，532 页，但内容讲得还挺实在，尤其是你对大数据和 Spark 有兴趣的话，绝对值得啃一啃。这是 2017 年出的第二版，第一版是在 2015 年出的，升级内容不少。

PySpark和Spark MLlib怎么结合，书里讲得比较系统。比如用RandomForestClassifier做分类任务，流程也清晰，管道（Pipeline）也都搭配得当，挺适合从传统 ML 往分布式过渡的人。

Rajdeep Dua 他们写得还不错，代码量比较多，配套的数据集也能直接跑起来，省事不少。响应也快，部署也讲了点，虽然略简单，但够用。

哦对了，如果你手头用的是 2.x 版本的 PySpark，这本书匹配得刚刚好。想学点实战项目的，也能从里面学到不少套路，比如电影评分、文本分类这些。

另外我也整理了一些相关文章，如果你想拓展一下：

• PySpark 2.3 大数据与机器学习教程，蛮实用的。
• Apache Spark 机器学习 PDF，讲得也比较细。
• Spark 机器学习示例数据，可以配合书上的代码跑。

如果你想把 ML 模型跑在分布式上，不妨翻翻这本。入门、进阶都能照顾到，算是一本还挺扎实的资源。