本书从大数据分析的原理、技术和应用的角度，围绕着大数据分析的基础知识、大数据分析平台的核心原理、大数据分析的关键技术、大数据分析的应用四个方面进行讲述，使学生能掌握大数据分析的基本原理和核心技术，同时通过大数据分析在上市公司信用风险预测研究中的应用案例使学生熟悉大数据分析的原理和技术的实际应用，并能搭建大数据分析平台分析大规模数据集。其中，大数据分析的基础知识包括：大数据产生的背景、大数据的概念、特点、价值、大数据带来的思维变革；大数据分析平台的核心原理包括：两种常用开源大数据分析平台——Hadoop和Spark的起源、发展及应用现状，理解两种平台各自的体系架构、基本运行机制及适用范围，掌握其安装部署过程及基本使用方法，为大数据分析的应用打下基础；大数据分析的关键技术包括：Hadoop分布式文件系统、MapReduce并行编程模型、Hadoop 2.0的资源管理调度框架——YARN、大数据的获取和预处理、大数据的聚类和分类算法。

第4章 MapReduce并行编程模型\t
4.1 MapReduce的概述\t
4.1.1 分布式并行编程\t
4.1.2 MapReduce的简介\t
4.1.3 Map函数和Reduce函数\t
4.2 MapReduce的体系结构\t
4.2.1 MapReduce 1.0体系结构的总体框架\t
4.2.2 Hadoop 2.0的体系结构\t
4.2.3 MapReduce的容错性\t
4.3 MapReduce的工作流程\t
4.3.1 MapReduce工作流程的概述\t
4.3.2 MapReduce的执行过程\t
4.3.3 Shuffle过程详解\t
4.4 MapReduce的实例分析\t
4.4.1 WordCount\t
4.4.2 倒排索引\t
4.4.3 Top-K\t
4.5 MapReduce的编程实践\t
4.5.1 任务要求\t
4.5.2 编写Map处理逻辑\t
4.5.3 编写Reduce处理逻辑\t
4.5.4 编写main方法\t
4.5.5 实验过程\t
4.6 MapReduce的优缺点分析\t
4.6.1 MapReduce的优点\t
4.6.2 MapReduce的缺点\t
4.7 本章小结\t
4.8 本章习题\t
第5章 Hadoop 2.0的资源管理调度框架——YARN\t
5.1 YARN的产生背景\t
5.1.1 MapReduce 1.0中存在的问题\t
5.1.2 YARN的产生\t
5.2 YARN的设计思路\t
5.3 YARN的体系结构\t
5.3.1 YARN的体系结构总体框架\t
5.3.2 YARN各组件功能的介绍\t
5.3.3 YARN的容错性\t
5.4 YARN的工作流程\t
5.5 YARN的优缺点分析\t
5.5.1 YARN的优点\t
5.5.2 YARN的缺点\t
5.6 本章小结\t
5.7 本章习题\t
第6章 大数据的获取和预处理\t
6.1 大数据的获取\t
6.1.1 爬虫的基础知识\t
6.1.2 Scrapy爬虫的原理与流程\t
6.1.3 Scrapy的爬虫实例\t
6.2 数据清洗\t
6.2.1 数据清洗的概述\t
6.2.2 数据清洗的原理\t
6.2.3 数据清洗的流程\t
6.2.4 Pandas数据清洗的实例\t
6.3 数据归约\t
6.3.1 维归约\t
6.3.2 属性选择\t
6.3.3 离散化方法\t
6.3.4 PCA的实例\t
6.4 数据标准化\t
6.4.1 数据标准化的概念\t
6.4.2 数据标准化的方法\t
6.4.3 数据标准化的实例\t
6.5 本章小结\t
6.6 习题\t
第7章 大数据分析算法\t
7.1 聚类算法\t
7.1.1 经典聚类算法\t
7.1.2 大数据聚类算法的应用\t
7.2 分类算法\t
7.2.1 经典分类算法\t
7.2.2 大数据分类算法的应用\t
7.3 本章小结\t
7.4 习题\t
第8章 大数据分析的应用案例\t
8.1 案例背景\t
8.2 数据获取和预处理\t
8.2.1 获取来源\t
8.2.2 数据说明\t
8.2.3 数据预处理\t
8.3 评价指标说明\t
8.4 基于Python的实现\t
8.4.1 基于Python的逻辑回归\t
8.4.2 基于Python的SVM\t
8.4.3 基于Python的朴素贝叶斯\t
8.4.4 基于Python的决策树\t
8.4.5 基于Python的随机森林\t
8.5 基于Spark的实现\t
8.5.1 基于Spark的逻辑回归\t
8.5.2 基于Spark的SVM\t
8.6 实验结果分析\t
8.7 本章小结\t
8.8 习题