大数据 java

大数据开发技术课程设计

2024-12-20
34
9
30 minutes

一、课程设计背景与目标

课程设计背景

随着大数据技术的飞速发展，农业领域也开始逐渐应用大数据分析，以提升生产效率、优化资源配置和加强环境保护。农业生产过程中涉及大量的数据，包括气候、土壤、作物生长、病虫害等信息。通过大数据技术，可以更好地理解农业系统中的各种变量及其相互关系，从而实现精准农业、提高农产品质量、减少资源浪费，并推动可持续发展。例如，通过分析土壤质量、天气变化、作物生长等数据，能够有效地提升农业产量和资源利用效率。本项目旨在通过大数据分析技术，从多个维度分析和解决农业中的实际问题

课程设计目标

选择并分析一个农业问题，利用大数据分析方法解决该问题，并通过三个不同类型的图表展示分析结果。具体目标包括：

1.问题分析：分析并明确一个农业生产中的问题，例如作物生长受土壤质量和气候变化的影响。

2.数据分析：使用大数据分析技术（如MapReduce、Hive、机器学习等）对数据进行清洗、处理和分析。

3.结果展示：通过至少三个不同的图表（如时间序列图、散点图、热力图等）展示数据分析结果，支撑问题的解决方案

课程设计目标——例子

“某地区气候变化对作物生长的影响”

• 气候变化如何影响作物的生长周期？

• 不同气候条件下，作物的产量如何变化？

• 哪些气候因素（如温度、降水量、湿度等）对作物生长最为关键？

二、课程设计技术架构

(一) 课程设计技术架构

系统架构概述

1.数据存储模块：

2.数据处理与分析模块：

3.查询与展示模块：

4. ………….

技术栈详解

分布式文件系统（HDFS）

资源调度（YARN）

数据处理（Hive)

三、项目实施过程

（一）环境部署

（二）数据清洗与预处理

（三）数据分析与查询

（四）结果展示与可视化

（一）环境部署

请详细描述项目中各个组件的安装过程，包括软件、硬件及网络环境的配置。

建议使用流程图的形式清晰地展示整个部署过程

（二）数据清洗与预处理

•方法描述：请说明使用了哪些方法对农业数据进行清洗与预处理，包括数据去重、缺失值处理、异常值检测等。

•数据展示：请粘贴原始数据格式与预处理后的数据截图，以便对比展示数据清洗的效果。

•代码展示：如果使用了MapReduce或Hive等工具进行数据处理，请粘贴相关代码片段，并简要说明其作用

（三）数据分析与查询

•方法描述：请说明使用了哪些方法对处理后的数据进行分析与查询，包括统计分析、数据挖掘、机器学习算法等。

•问题解决：请对处理后的数据进行解释分析，说明这些数据如何帮助你解决了在背景部分提到的农业问题。

•代码展示：如果使用了MapReduce或Hive等工具进行数据分析，请粘贴相关代码片段，并简要说明其实现的功能。

（四）结果展示与可视化

•方法描述：请说明使用了哪些方式对结果进行可视化展示，包括图表类型（如柱状图、折线图、散点图等）和可视

化工具（如Excel、Tableau、Echarts、Python等）。

•结论分析：请从图表中提炼出关键结论，这些结论应直接关联到项目目标的实现情况。例如，通过数据分析发现某

种病虫害的预防措施显著提高了作物产量；或者通过资源优化管理，降低了化肥和农药的使用量等。

大数据开发技术课程设计步骤

1. 步骤概述

MapReduce 读取数据并进行预处理：

  -   去重。
      
  -   将清洗后的数据写入 Hive 表。

Hive 中进行缺失值和异常值处理：

  -   检测缺失值 无缺失值
      
  -   在 Hive 中计算每列的均值和标准差。
      
  -   计算每行的 Z-score 并根据阈值（如 Z > 3 或 Z < -3）进行异常值筛选。

分析 Hive 中的数据：

  -   选取合适的指标
      
  -   在 Hive 中进行数据分析。

可视化

  -   用镝数图表可视化数据

扩展

  -   将hive清洗后的数据用来模型训练,构建作物预测系统

2. 详细步骤

原始数据

2.1 MapReduce 处理数据并导入 Hive

我们使用 Hadoop MapReduce 来读取 HDFS 上的数据进行预处理（去重），然后将数据导入到 Hive 中进行后续处理。

package com.cqyti.kcsj.mapreduce;

import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Mapper;
import org.apache.hadoop.mapreduce.Reducer;
import java.io.IOException;
import java.util.HashSet;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
import org.apache.log4j.Logger;

// 数据预处理类
public class DataPreprocessing {
    // 日志记录器，用于记录程序运行信息
    private static final Logger logger = Logger.getLogger(DataPreprocessing.class);

    // 主方法，程序入口
    public static void main(String[] args) throws Exception {
        // 创建 Hadoop 配置对象
        Configuration conf = new Configuration();
        // 获取文件系统对象
        FileSystem fs = FileSystem.get(conf);
        // 初始化 MapReduce 任务
        Job job = Job.getInstance(conf, "Data Preprocessing");
        // 设置运行主类
        job.setJarByClass(DataPreprocessing.class);
        // 设置 Mapper 类
        job.setMapperClass(DataPreprocessingMapper.class);
        // 设置 Reducer 类
        job.setReducerClass(DataPreprocessingReducer.class);
        // 设置输出的 key 的类型
        job.setOutputKeyClass(Text.class);
        // 设置输出的 value 的类型
        job.setOutputValueClass(Text.class);
        // 设置输入路径
        Path inputPath = new Path("/Tipdm/Hadoop/MapReduce/crops_data.csv");
        // 设置输出路径
        Path outputPath = new Path("/Tipdm/Hadoop/MapReduce/Result");

        // 如果输出路径已存在，则删除
        if (fs.exists(outputPath)) {
            fs.delete(outputPath, true);
        }

        // 设置任务的输入路径
        FileInputFormat.addInputPath(job, inputPath);
        // 设置任务的输出路径
        FileOutputFormat.setOutputPath(job, outputPath);

        // 提交任务并等待执行完成
        System.exit(job.waitForCompletion(true) ? 0 : 1);
    }

    // Mapper 类，用于处理每行数据，将其作为 key 输出
    public static class DataPreprocessingMapper extends Mapper<Object, Text, Text, Text> {
        // 用于标识是否是表头行
        private boolean isHeader = true;

        @Override
        public void map(Object key, Text value, Context context) throws IOException, InterruptedException {
            // 如果是表头行，直接跳过
            if (isHeader) {
                isHeader = false; // 只跳过第一行
                return;
            }
            // 将当前行转换为字符串
            String line = value.toString();
            // 将行内容作为 key 输出，value 设置为空字符串
            context.write(new Text(line), new Text(""));
        }
    }

    // Reducer 类，用于对 Mapper 输出的数据进行去重
    public static class DataPreprocessingReducer extends Reducer<Text, Text, Text, Text> {

        @Override
        public void reduce(Text key, Iterable<Text> values, Context context) throws IOException, InterruptedException {
            // 每个 key 是唯一的，直接输出即可，实现去重
            context.write(key, null);
        }
    }
}

MapReduce去重后数据

2.2. 导入数据到 Hive

将 MapReduce 作业生成的清洗后的数据导入 Hive 表：

NaN. 创建 Hive 表：

CREATE TABLE crops_data (
    rainfall FLOAT,
    temperature FLOAT,
    ph FLOAT,
    crop STRING,
    production FLOAT
)
ROW FORMAT DELIMITED
FIELDS TERMINATED BY ','
STORED AS TEXTFILE;

2. 将清洗后的数据加载到 Hive 表：

LOAD DATA INPATH '/Tipdm/Hadoop/MapReduce/Result' INTO TABLE crops_data;

2.3 缺失值和异常值处理

在 Hive 中进行 Z-score 计算，并筛选出异常值。使用以下 SQL 语句来实现这个过程。

1. 创建新表

首先，创建一个新的 Hive 表 cleaned_crops_data，该表结构与原表 crops_data 相同。

CREATE TABLE cleaned_crops_data (
    rainfall FLOAT,
    temperature FLOAT,
    ph FLOAT,
    crop STRING,
    production FLOAT
)
ROW FORMAT DELIMITED
FIELDS TERMINATED BY ','
STORED AS TEXTFILE;

2.检查缺失值

SELECT * 
FROM crops_data 
WHERE rainfall IS NULL 
   OR temperature IS NULL 
   OR ph IS NULL 
   OR production IS NULL;

3. 去除异常值

WITH stats AS (
    -- 计算数据集中各个变量（降雨量、气温、pH 值、产量）的均值和标准差
    SELECT
        AVG(Rainfall) AS mean_rainfall,         -- 计算降雨量的均值
        STDDEV(Rainfall) AS std_rainfall,      -- 计算降雨量的标准差
        AVG(Temperature) AS mean_temperature, -- 计算气温的均值
        STDDEV(Temperature) AS std_temperature, -- 计算气温的标准差
        AVG(Ph) AS mean_ph,                   -- 计算 pH 值的均值
        STDDEV(Ph) AS std_ph,                 -- 计算 pH 值的标准差
        AVG(Production) AS mean_production,   -- 计算产量的均值
        STDDEV(Production) AS std_production -- 计算产量的标准差
    FROM crops_data
),
z_scores AS (
    -- 计算每个作物数据的 Z 分数（标准化分数）
    SELECT
        Crop,                                  -- 作物名称
        (Rainfall - stats.mean_rainfall) / stats.std_rainfall AS z_rainfall,       -- 降雨量的 Z 分数
        (Temperature - stats.mean_temperature) / stats.std_temperature AS z_temperature, -- 气温的 Z 分数
        (Ph - stats.mean_ph) / stats.std_ph AS z_ph,                               -- pH 值的 Z 分数
        (Production - stats.mean_production) / stats.std_production AS z_production -- 产量的 Z 分数
    FROM crops_data, stats                      -- 与统计信息进行笛卡尔连接，计算标准化值
)
-- 将处理后的数据覆盖写入目标表 cleaned_crops_data
INSERT OVERWRITE TABLE cleaned_crops_data
SELECT *
FROM crops_data
WHERE NOT EXISTS (
    -- 排除异常值（Z 分数绝对值大于 3 的记录）
    SELECT 1
    FROM z_scores
    WHERE (ABS(z_rainfall) > 3 OR ABS(z_temperature) > 3 OR ABS(z_ph) > 3 OR ABS(z_production) > 3) -- 判断是否为异常值
    AND crops_data.Crop = z_scores.Crop -- 确保作物名称匹配
);

hive处理缺失值和异常值后数据

2.4. hive分析数据

#获取作物分组后四个指标的平均值
CREATE table avg_crops_data1 AS
SELECT crop,
       AVG(rainfall) AS avg_rainfall,
       AVG(temperature) AS avg_temperature,
       AVG(ph) AS avg_ph,
       AVG(production) AS avg_production
FROM cleaned_crops_data
GROUP BY crop;

获取作物分组后三个指标与产量的相关性
CREATE TABLE corr_crops_data AS
SELECT crop,
       CORR(rainfall, production) AS corr_rainfall_production,
       CORR(temperature, production) AS corr_temperature_production,
       CORR(ph, production) AS corr_ph_production
FROM cleaned_crops_data
GROUP BY crop;

获取作物分组后四个指标的最大值和最小值
CREATE TABLE extremal_crops_data AS
SELECT crop,
       MIN(rainfall) AS min_rainfall,
       MAX(rainfall) AS max_rainfall,
       MIN(temperature) AS min_temperature,
       MAX(temperature) AS max_temperature,
       MIN(ph) AS min_ph,
       MAX(ph) AS max_ph,
       MIN(production) AS min_production,
       MAX(production) AS max_production
FROM cleaned_crops_data
GROUP BY crop;

获取每个作物产量最大的一条记录然后根据作物产量全局排序：
CREATE TABLE best_crops_data AS
SELECT crop,
       rainfall AS best_rainfall,
       temperature AS best_temperature,
       ph AS best_ph,
       production AS best_production
FROM (
    SELECT crop,
           rainfall,
           temperature,
           ph,
           production,
           ROW_NUMBER() OVER (PARTITION BY crop ORDER BY production DESC) AS rn
    FROM cleaned_crops_data
) subquery
WHERE rn = 1
ORDER BY best_production DESC;

获取grapes作物环境影响情况
CREATE TABLE grapes_data AS
SELECT crop,
       rainfall, 
       temperature,
       ph,
       production
FROM cleaned_crops_data
WHERE crop='Grapes';

2.5 可视化数据

https://dycharts.com/xshow/index.html?id=1b979759f6ae1a741c924841a17ab026

2.6 扩展

将hive清洗后的数据用来模型训练,构建作物预测系统

If you find the article useful, feel free to appreciate

hive hadoop spark

大数据开发技术课程设计

http://81.70.76.97:9090/archives/hadoopke-cheng-she-ji

Author

管理员

Published on

2024-12-20

Updated on

2026-01-15

License

CC BY 4.0