為什么要讓Hadoop結合R語言？

R語言和Hadoop讓我們體會到了，兩種技術在各自領域的強大。很多開發人員在計算機的角度，都會提出下面2個問題。問題1: Hadoop的家族如此之強大，為什么還要結合R語言？
問題2: Mahout同樣可以做數據挖掘和機器學習，和R語言的區別是什么？下面我嘗試著做一個解答：問題1: Hadoop的家族如此之強大，為什么還要結合R語言？

• a. Hadoop家族的強大之處，在于對大數據的處理，讓原來的不可能（TB,PB數據量計算），成為了可能。
• b. R語言的強大之處，在于統計分析，在沒有Hadoop之前，我們對于大數據的處理，要取樣本，假設檢驗，做回歸，長久以來R語言都是統計學家專屬的工具。
• c. 從a和b兩點，我們可以看出，hadoop重點是全量數據分析，而R語言重點是樣本數據分析。 兩種技術放在一起，剛好是最長補短！
• d. 模擬場景：對1PB的新聞網站訪問日志做分析，預測未來流量變化

d1:用R語言，通過分析少量數據，對業務目標建回歸建模，并定義指標d2:用Hadoop從海量日志數據中，提取指標數據d3:用R語言模型，對指標數據進行測試和調優d4:用Hadoop分步式算法，重寫R語言的模型，部署上線這個場景中，R和Hadoop分別都起著非常重要的作用。以計算機開發人員的思路，所有有事情都用Hadoop去做，沒有數據建模和證明，”預測的結果”一定是有問題的。以統計人員的思路，所有的事情都用R去做，以抽樣方式，得到的“預測的結果”也一定是有問題的。所以讓二者結合，是產界業的必然的導向，也是產界業和學術界的交集，同時也為交叉學科的人才提供了無限廣闊的想象空間。問題2: Mahout同樣可以做數據挖掘和機器學習，和R語言的區別是什么？

• a. Mahout是基于Hadoop的數據挖掘和機器學習的算法框架，Mahout的重點同樣是解決大數據的計算的問題。
• b. Mahout目前已支持的算法包括，協同過濾，推薦算法，聚類算法，分類算法，LDA, 樸素bayes，隨機森林。上面的算法中，大部分都是距離的算法，可以通過矩陣分解后，充分利用MapReduce的并行計算框架，高效地完成計算任務。
• c. Mahout的空白點，還有很多的數據挖掘算法，很難實現MapReduce并行化。Mahout的現有模型，都是通用模型，直接用到的項目中，計算結果只會比隨機結果好一點點。Mahout二次開發，要求有深厚的JAVA和Hadoop的技術基礎，***兼有 “線性代數”，“概率統計”，“算法導論” 等的基礎知識。所以想玩轉Mahout真的不是一件容易的事情。
• d. R語言同樣提供了Mahout支持的約大多數算法(除專有算法)，并且還支持大量的Mahout不支持的算法，算法的增長速度比mahout快N倍。并且開發簡單，參數配置靈活，對小型數據集運算速度非常快。

雖然，Mahout同樣可以做數據挖掘和機器學習，但是和R語言的擅長領域并不重合。集百家之長，在適合的領域選擇合適的技術，才能真正地“保質保量”做軟件。

如何讓Hadoop結合R語言？

從上一節我們看到，Hadoop和R語言是可以互補的，但所介紹的場景都是Hadoop和R語言的分別處理各自的數據。一旦市場有需求，自然會有商家填補這個空白。

1）. RHadoop

RHadoop是一款Hadoop和R語言的結合的產品，由RevolutionAnalytics公司開發，并將代碼開源到github社區上面。RHadoop包含三個R包 (rmr，rhdfs，rhbase)，分別是對應Hadoop系統架構中的，MapReduce, HDFS, HBase 三個部分。

2）. RHiveRHive是一款通過R語言直接訪問Hive的工具包，是由NexR一個韓國公司研發的。

3）. 重寫Mahout用R語言重寫Mahout的實現也是一種結合的思路，我也做過相關的嘗試。

4）.Hadoop調用R

上面說的都是R如何調用Hadoop，當然我們也可以反相操作，打通JAVA和R的連接通道，讓Hadoop調用R的函數。但是，這部分還沒有商家做出成形的產品。

5. R和Hadoop在實際中的案例

R和Hadoop的結合，技術門檻還是有點高的。對于一個人來說，不僅要掌握Linux, Java, Hadoop, R的技術，還要具備 軟件開發，算法，概率統計，線性代數，數據可視化，行業背景 的一些基本素質。在公司部署這套環境，同樣需要多個部門，多種人才的的配合。Hadoop運維，Hadoop算法研發，R語言建模，R語言MapReduce化，軟件開發，測試等等。所以，這樣的案例并不太多。

原文鏈接：http://www.36dsj.com/archives/6468