Differences

This shows you the differences between two versions of the page.

--- ed:lab_05 [2024/03/12 15:31]
pszwed [LoadDistributedDataset]
+++ ed:lab_05 [2024/03/13 03:24] (current)
pszwed [1.2 Zbuduj obraz spark-jupyter]
@@ Line 1: / Line 1: @@
-====== Laboratorium 5 ======
+====== Laboratorium 5  ======
-FIXME Strona w trakcie edycji
-===== Konfiguracja Dockera =====
+===== 1. Konfiguracja Dockera =====
 Naszym celem jest zbudowanie konfiguracji jak na rysunku: cztery kontenery połączone wspólną siecią
@@ Line 29: / Line 29: @@
 </code>
+**Pobierz pliki konfiguracyjne i zbiór danych: {{ :ed:spark-jdk17.zip |}}. Następnie rozpakuj w dowolnym katalogu roboczym.**
 ==== Utwórz sieć spark-network ====
@@ Line 35: / Line 37: @@
 </code>
-==== Zbuduj obraz spark-python ====
+==== 1.1. Zbuduj obraz spark-python ====
 Przejdź do katalogu ''spark-python''. Powinien w nim znajdować się plik Dockerfile z następującą zawartością:
@@ Line 67: / Line 69: @@
-==== Zbuduj obraz spark-jupyter ====
+==== 1.2 Zbuduj obraz spark-jupyter ====
 Przejdź do katalogu ''spark-jupyter''. Powinien w nim znajdować się plik Dockerfile z następującą zawartością:
@@ Line 83: / Line 85: @@
     pip3 cache purge; \
     pip3 install pyspark numpy scikit-learn pandas matplotlib plotly jupyterlab; \
+    apt-get install -y pandoc; \
+    apt-get install -y texlive-xetex texlive-fonts-recommended texlive-plain-generic; \
+    apt-get install -y texlive-latex-extra texlive-fonts-extra texlive-lang-all; \
     rm -rf /var/lib/apt/lists/*
 RUN echo "spark ALL=(ALL) NOPASSWD: ALL" >> /etc/sudoers
 ENV JAVA_HOME /opt/java/openjdk
@@ Line 97: / Line 104: @@
 </code>
-==== Uruchomienie klastra ====
+Obraz zawiera zbiór bibliotek ogólnego zastosowania języka Python do eksploracji danych, wizualizacji i uczenie maszynowego:
+  * bibliotekę pyspark
+  * typowe biblioteki uczenia maszynowego (ale bez tensorflow)
+  * jupyter-lab (wsparcie dla notatników)
+  * poandoc i instalację latexa (po załadowaniu notatnika możliwy jest wydruk w formacjie PDF z zawijaniem długich linii
+Jak uruchomić -  [[https://home.agh.edu.pl/~pszwed/wiki/doku.php?id=ed:lab_05#uruchomienie_jupyter-lab|opis w sekcji 3.1]]
+==== 1.3 Uruchomienie klastra ====
 W katalogu cluster powinien znaleźć się plik ''docker-compose.yml'' z następującą zawartością
@@ Line 180: / Line 195: @@
   * WorkerUI (worker-1) [[http://localhost:9092/]]
-==== Uruchomienie węzła spark-jupyter ====
+==== 1.4 Uruchomienie węzła spark-jupyter ====
 Kontener będzie uruchamiany za pomocą polecenia:
@@ Line 194: / Line 209: @@
   * W momencie uruchomienia wołany jest shell
-===== Java =====
+===== 2 Java =====
-==== PiComputeApp ====
+==== 2.1 PiComputeApp ====
 **1.** Dodaj kod klasy do projektu i wprowadź odpowiednie wywołanie w funkcji ''Main.main()''
@@ Line 284: / Line 299: @@
 **5.** Umieść w spawozdaniu fragmenty zrzutów ekranu pokazujące działanie wykonawcy Sparka (konsoli i DriverUI)
-==== PiComputeAppDistributed ====
+==== 2.2 PiComputeAppDistributed ====
 **1.** Wprowadź minimalną zmianę w kodzie aplikacji. Różnicą jest wskazanie adresu węzła Master.
@@ Line 303: / Line 318: @@
 **4.** Zamieść w spawozdaniu zrzuty WebUI węzłów Master i Worker(ów) wskazujących, że aplikacja była przez nie wykonywana. Możesz też dodać wykres Gantta z wykonywanych zadań (z DriverUI - port 4040, opcja timeline).
-==== LoadDistributedDataset ====
+==== 2.3 LoadDistributedDataset ====
 Załadujemy zbiór danych do Sparka. Musi być on dostępny dla węzłów
@@ Line 382: / Line 397: @@
  |-- electricity_demand: double (nullable = true)
+</code>
+===== 3 PySpark + Jupyter =====
+Spróbujemy powtórzyć te kroki w środowisku Jupyter korzystając z biblioteki PySpark.
+PySpark zapewnia interfejs w języku Python do platformy Spark. Aby go użyć - biblioteka PySpark musi być zainstalowana na wszystkich węzałach (co było uwzględnione przy budowie obrazów). Wewnętrznie korzysta z biblioteki [[https://www.py4j.org/|Py4J]] pozwalającej na dostęp do obiektów Java (w maszynie wirtualnej JVM) z poziomu kodu w języku Python.
+==== 3.1 Uruchomienie jupyter-lab ====
+**1.** Uruchom obraz ''spark-jupyter'' w katalogu cluster
+<code>
+docker run -it --rm -v ".:/opt/spark/work-dir"  -p 4040:4040  -p 8888:8888 --network spark-network spark-jupyter /bin/bash
 </code>
+**2.** Wydaj polecenie
+<code>
+sudo --preserve-env jupyter-lab  --ip=0.0.0.0 --allow-root --IdentityProvider.token='pyspark'
+</code>
+**3.** W przeglądarce otwórz  link ''http://localhost:8888/?token=pyspark'' (albo bez parametru token i wpisz pyspark w formularzu)
+Obraz ''spark-jupyter'' zawiera podstawowe biblioteki do realizacji zadań uczenia maszynowego. Można go wykorzystać na innych zajęciach.
+==== 3.2 Wyznaczanie liczby PI ====
+**1.** Utwórz notatnik ''PiCompute'' i wprowadź w nim kod aplikacji (komórki) do wyznaczania liczby $\pi$
+<code python>
+import pyspark
+from random import random
+from operator import add
+from pyspark.sql import SparkSession
+</code>
+<code python>
+spark = SparkSession.builder.appName("PiCompute").master("spark://172.22.0.2:7077").getOrCreate()
+</code>
+Tu otwórz [[http://localhost:4040| WebUI modułu driver na localhost]]
+<code python>
+partitions = 100
+n = 1_000_000 * partitions
+def f(_: int) -> float:
+    x = random() * 2 - 1
+    y = random() * 2 - 1
+    return 1 if x ** 2 + y ** 2 <= 1 else 0
+count = spark.sparkContext.parallelize(range(1, n + 1), partitions).map(f).reduce(add)
+print("Pi is roughly %f" % (4.0 * count / n))
+</code>
+<code python>
+spark.stop()
+</code>
+**2.** Możesz uruchamiać interaktywnie kolejne komórki i monitorować działanie aplikacji w WebUI. Do momentu jawnego zakończenia sesji, będzie ona aktywna.
+==== 3.3 LoadEnergyDataset ====
+**1.** Utwórz notatnik i wprowadź w nim kod:
+<code python>
+import pyspark
+from random import random
+from operator import add
+from pyspark.sql import SparkSession
+</code>
+<code python>
+spark = SparkSession.builder.appName("LoadEnergyDataset").master("spark://172.22.0.2:7077").getOrCreate()
+</code>
+**2.** załaduj dane
+<code python>
+df = spark.read.format("csv").option("header", "true").option("inferschema","true").load("data/owid-energy-data.csv.gz")
+</code>
+Możesz spróbować je wyświetlić
+<code python>
+df.show(5,70)
+</code>
+... ale raczej skasuj wyjście komórki
+**3.** Wybierzemy dane do wyświetlenia
+<code python>
+df2 = df.select("country","year","population","electricity_demand").where("country like \'Po%\' AND year >= 2000")
+</code>
+I wyświetlimy je:
+<code python>
+df2.show(5)
+df2.printSchema()
+</code>
+Zauważ, że ze względu na //lazy evaluation// dopiero ta komórka powoduje aktywność Sparka
+**3.** Wybierzmy podzbiór danych z Polski z interesującymi nas niepustymi wartościami
+<code python>
+df_pl = df.select('year','population','electricity_demand').where(("country == 'Poland' AND electricity_demand IS NOT NULL"))
+df_pl.show()
+</code>
+=== Wykresy===
+Przekonwertujemy dane do postaci list
+<code python>
+import matplotlib.pyplot as plt
+df_pl = df_pl.orderBy('year')
+y = df_pl.select('year').rdd.flatMap(lambda x: x).collect()
+pop = df_pl.select('population').rdd.flatMap(lambda x: x).collect()
+dem = df_pl.select('electricity_demand').rdd.flatMap(lambda x: x).collect()
+</code>
+oraz wyświetlimy je...
+<code python>
+plt.plot(y,pop)
+plt.xlabel('year')
+plt.ylabel('population')
+plt.title('Population vs. year')
+plt.show()
+</code>
+<code python>
+plt.plot(y,dem,label='demand')
+plt.xlabel('year')
+plt.ylabel('demand')
+plt.title('Demand vs. year')
+plt.show()
+</code>
+<code python>
+plt.scatter(pop,dem)
+plt.xlabel('population')
+plt.ylabel('demand')
+plt.title('Demand vs. population')
+plt.show()
+</code>
+=== Regresja liniowa===
+Dla których zależności można zastosować regresję?
+**1.** Dodaj kod:
+<code python>
+from pyspark.ml.regression import LinearRegression
+from pyspark.ml.feature import VectorAssembler
+va=VectorAssembler().setInputCols(["year"]).setOutputCol("features")
+df_plf = va.transform(df_pl)
+df_plf.show(5)
+lr = LinearRegression()\
+  .setMaxIter(10)\
+  .setRegParam(3.0)\
+  .setElasticNetParam(0.5)\
+  .setFeaturesCol("features")\
+  .setLabelCol("electricity_demand")
+model = lr.fit(df_plf)
+</code>
+**2.** Wyświetl metryki oraz równanie regresji
+<code python>
+print(f'RMSE: {model.summary.rootMeanSquaredError}')
+print(f'r2: {model.summary.r2}')
+print(f'iterations: {model.summary.totalIterations}')
+print(f'demand = {model.coefficients}*year {"+" if model.intercept > 0 else ""} {model.intercept}')
+</code>
+**3.** Wyświetl wykresy
+<code python>
+import numpy as np
+# from pyspark.sql.types import StructType, StructField, DoubleType
+from pyspark.ml.linalg import Vectors
+xmin = np.min(y)
+xmax = np.max(y)
+xx = np.linspace(xmin-1,xmax+1,100)
+yy = [model.predict(Vectors.dense([x])) for x in xx]
+plt.scatter(y,dem,label='demand')
+plt.plot(xx,yy,label='fitted function',c='orange')
+plt.legend()
+plt.title('Electric energy demand in years')
+plt.show()
+</code>
+**4.** Zakończ sesję
+Przed zakończeniem sesji obejrzyj DriverUI (localhost:4040) a zwłaszcza diagramy pokazujące konstrukcję i statystyki kwerend w zakładce //SQL / Dataframe// -- otwórz linki do kwerend.
+<code python>
+spark.stop()
+</code>
+==== 3.4 TODO - regresja dla Chin ====
+Przeprowadź taką samą analizę dla Chin, ale spróbuj znaleźć zależność pomiędzy liczbą ludności, a zapotrzebowaniem na energię (która w przypadku Chin jest raczej widoczna).
+**Zapisz notatnik jako PDF i prześlij razem ze sprawozdaniem**