bigdata 相关问题

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。

替换大数据中的异常值

我有一个12列600000行的大数据,我想用这个函数替换异常值 替换异常值 <- function(x, na.rm = TRUE, ...) { qnt <- quantile(x, probs=c(.25,....

回答 1 投票 0

有没有一种更快的方法可以使用基数 R 找到大向量中第一个不是 NA 的值?

就像问题所说的那样。当向量大小非常大(> 10M 条目)时,使用基本 R 是否有更快的方法来执行下面的操作? 下面的代码可以工作,但是当向量大小增大时

回答 1 投票 0

当收集到足够的行数时,如何让 Trino 提前停止?

我有一个 Hive 数据库,我正在通过 Trino 查询它的表。每个表都有许多分区。每当我执行类似查询时 SELECT * FROM my_table LIMIT 100; 它仍然会遍历所有分区

回答 1 投票 0

动态分割数据框

我有以下数据框: 将 pandas 导入为 pd data = {'姓名': ['Ankit', '阿米特', '艾西瓦娅', 'Priyanka','Kovacs','Tompos'], ‘年龄’: [21, 19, 20, 18, 20, 19], '...

回答 1 投票 0

vaex数据框支持数据生成吗?

我有一个带有模式的数据集, 自行车ID REGN_NUMBER ENGINE_NUMBER CHASSIS_NUMBER 购买_年 1 XN67TY567 34567ABGN65 145089 2011年 2 XN67TM567 34567ABGT65 145085 2011年 3 XN67TM569 34567VBGT65 1450867...

回答 1 投票 0

在cassandra中实现上一页导航的正确方法是什么?

我使用 cassandra 一段时间了,我不太满意的一件事是上一页的分页。 据我所知 cassandra 有自动分页支持。我必须付出的一切...

回答 1 投票 0

将猪结果存储在文本文件中

我想将结果存储在文本文件中并按我想要的名称命名。是否可以使用 STORE 功能来做到这一点? 我的代码: a = 使用 PigStorage(';') 加载 'example.csv'; b = FOREACH a 生成 $0,$1,$2...

回答 2 投票 0

Spark SQL 中的 CROSS APPLY 替代方案

我正在将 SQL 存储过程从 SQL Server 迁移到 Spark SQL。 SP中的语句之一使用了CROSS APPLY,但spark没有CROSS APPLY。我研究了一下,发现INNER JOIN可以用...

回答 1 投票 0

如何存储大量小文本文件并快速访问?

我需要存储很多小文本文件(~30亿个,每天增长70m),大小从100B到几kB。我可以将它们分组,但组中的项目数量不可预测:从 1 到...

回答 1 投票 0

创建一个空数组而不覆盖它

我想像添加 for 循环中的列表一样添加到数组中,但要做到这一点,我需要先创建一个空数组并添加到其中。我在这个网站上看到的每一个建议都使它成为旧数组

回答 1 投票 0

有没有办法限制MapReduce程序的节点数量?

在我的 Spark 程序中,我可以通过调整 --num-executors 参数来限制程序运行的节点数量。现在我想将我的程序的可扩展性与

回答 1 投票 0

不更新数据库(仅读/写)

我们正在设计一个包含大量交易数据的银行级应用程序。 要求之一是所有事务数据只能读取和写入,而不能更新。 我们可以...

回答 2 投票 0

Apache Arrow Flight Server 作为数据即服务

我计划在s3数据存储之上构建一个arrow-flight服务器,s3数据存储有PB级的数据。 当飞行服务器将所有 1 pb 的数据加载到内存中时,我几乎不担心......

回答 1 投票 0

如何使用 Pentaho 将多个来源的数据导入到单个输出文件?

我有一个转换过程,可以从多个数据源获取数据并将它们连接到单个 CSV 输出中。 这个过程是一个原始作业,删除以前的信息并加载数据......

回答 1 投票 0

如何检查两个数据集之间的相似性并在 Snowflake 中返回分数(这可能吗?)

我有两个数据集,其中包含我公司客户的全名。两组都相当大(40-70k 行)。我想检查一下这两个群体之间是否存在相似之处。例如:如果...

回答 1 投票 0

R 中大型空间数据集的 GRTS

我正在尝试应用 spsurvey 中实现的广义随机镶嵌采样 (GRTS) 算法对地图上 300 万个点的数据集进行采样。我遇到了很多矢量内存问题...

回答 1 投票 0

并行计算:分布式系统与多核处理器?

我只是想知道为什么需要经历创建分布式系统以进行大规模并行处理的所有麻烦,而我们可以创建支持hu的单独机器...

回答 3 投票 0

SQL交叉应用于Pyspark

我在我的查询中有交叉应用,我想在 pyspark 中转换它- 从表1a中选择* 在 a.index = b.index 上左连接 table2 b 交叉应用( 从 table3 p 中选择前 1 个 *,其中 a.id = p.id 且...

回答 1 投票 0

Delta Lake 表写入无需架构强制执行

我有一张按小时分区的 Delta Lake 表。表架构包括: colA(字符串类型) colB(int类型) colC(结构类型) 当我执行历史加载时,所有分区都会填充正确的...

回答 1 投票 0

将大型数据集流式传输到子进程(作为 JSON)

我正在尝试将存储在内存中的大量数据发送到子进程。具体来说,我有一个在 Node.js 中表示为 JSON 的大型数据集,我想将其发送到我所在的子进程

回答 1 投票 0

© www.soinside.com 2019 - 2024. All rights reserved.