diff --git a/Assignment5.md b/Assignment5.md new file mode 100644 index 0000000..805d185 --- /dev/null +++ b/Assignment5.md @@ -0,0 +1,298 @@ +# Assignment 5 指南 + +## `******注意,实验结束请立即删除云主机和数据仓库,节省费用******` + +## `******注意2,实验未结束且短期内不会继续实验,也请删除云主机和数据仓库。下次实验时重新创建******` + + + +## 实验内容 + +- 创建Clickhouse数据仓库实例: `实验步骤 一)` +- 登录数据仓库,并练习建表、插入、查找等基本操作:`实验步骤 二)` +- 使用clickhouse完成简单的机器学习任务: `实验步骤 三)` + +## 实验要求(仔细看) + +- 完成所有步骤,并在实验报告([模板下载](file/assignment5/学号-实验五.docx))中完成穿插在本指南中的作业1~作业4(只需要截图)。实验报告上传至:https://send2me.cn/BiweG51Y/QQu8uSirZywFpg +- 实验报告上传deadline: `4月6日23:59` + +## 使用UCloud产品 + +云数据仓库UDW、云主机uhost、私有网络vpc、基础网络unet + +## 需要权限 + +云数据仓库UDW、云主机uhost、基础网络unet + + +## 基础知识(本实验详细知识会在数据仓库相关课程中学习,这里我们仅简单熟悉一下相关操作,你也可以去Google上Baidu一下相关知识 :ghost: :ghost: :ghost:) + + +`数据仓库:` data warehouse(缩写DW),是用于报告和数据分析的数据管理系统。 + +`和SQL数据库的区别:` 传统的关系型数据库(如实验四中的MySQL)主要应用于基本的、日常的事务处理(Transaction Processing),例如银行交易,淘宝购物,订购车票等。而数据仓库系统主要应用于生产数据的整理和分析(Analytical Processing),通过扩展数据分析和可视化等工具,支持业务决策,例如流量分析、用户画像、统计建模等。 + +举个简单例子,淘宝前端(网页端、app端)每天的交易事务,都是用关系型数据库支持的。而每天的交易数据,会定时导入到后端的数据仓库(俗称ETL,Extract, Transform, Load),并根据特定业务逻辑重新整理,从而方便后端各个团队分析数据和做出业务决策。 + + + + + + +`Clickhouse数据仓库:` 是由俄罗斯公司Yandex开发的一种列式数据库管理系统,也可以用作数据仓库。它以高性能、高并发和高可扩展性而闻名,能够处理PB级别的数据集,并支持实时查询和分析。 + +与传统的关系型数据库管理系统(如MySQL和PostgreSQL)不同,Clickhouse采用列式存储方式,将每个列单独存储在硬盘上,而不是按行存储。这种存储方式使得Clickhouse在数据压缩、查询性能、批量插入等方面具有优势,适用于大数据量的实时查询和分析场景。 + +Clickhouse支持多种查询语言,包括SQL、HiveQL和ODBC等,并且可以与各种数据源集成,如Hadoop、Kafka、Elasticsearch等。同时,Clickhouse还具有高度的可扩展性,可以通过添加节点来实现水平扩展,以满足不断增长的数据处理需求。 + +ClickHouse也内置了许多机器学习算法,例如基于梯度下降的线性回归、逻辑回归、SVM、决策树、随机森林、PCA等。这些算法都是使用ClickHouse的SQL语言编写的,并且可以通过简单的SQL查询进行调用和使用。除了内置的算法,ClickHouse还提供了一些用于机器学习的函数和工具,例如数组函数、向量函数、一些聚合函数等。这些函数可以用于数据清洗、特征工程、数据转换等任务。 + + +闲话少说,我们开始创建一个Clickhouse数据仓库玩玩。:ghost: :ghost: :ghost: + +## 实验步骤 + +### 一)创建Clickhouse数据仓库实例 + +#### 1)在产品中选择云数据仓库UDW Clickhouse,然后点击创建集群 + + + + +#### 2)配置中,选择版本22.3LTS,云盘容量选择200G,节点个数选择2个节点。子网设成"DefaultNetwork",记住DB名称,端口,管理员用户名,设置管理员密码。选择按时付费,立即购买。 + + + + + + + + + + + + + + + + +#### 3)支付之后,数仓创建时间从几分钟到十几分钟不等,等状态显示“运行中”,则创建完毕。 + + + + +### 二)登录数据仓库。Clickhouse数据仓库的登录有很多方式,比如用clickhouse客户端登录,用JDBC(在Java中使用)或者ODBC(在C/C++中使用)访问,用clickhouse-driver(在Python中使用)访问。本实验我们完成clickhouse客户端和clickhouse-driver两种方式。其余方式同学们以后可以自行尝试。 + +#### 1)使用Clickhouse客户端登录。创建一个最低配置的Centos云主机,选择按流量计费,20M带宽,云主机按小时付费。登录云主机以后运行以下命令,下载Clickhouse安装包。 +``` +wget https://packages.clickhouse.com/rpm/lts/clickhouse-client-22.3.6.5.noarch.rpm +wget https://packages.clickhouse.com/rpm/lts/clickhouse-common-static-22.3.6.5.x86_64.rpm +``` +##### 安装 +``` +rpm -ivh clickhouse-common-static-22.3.6.5.x86_64.rpm +rpm -ivh clickhouse-client-22.3.6.5.noarch.rpm +``` +##### 1.1)安装完毕后运行以下命令登录数据仓库。将相关参数替换成你的数据仓库参数。 +``` +clickhouse-client --host=<下图任一节点IP地址> --port=9000 --user=admin --password=<创建集群时设置的密码> +``` + + + +> 登录后将看到如下界面 + + + +## `**************作业1:请将登录命令和登录成功界面截图,并插入实验报告***************` + +##### 1.2)让我们运行几个SQL代码来实现建表,插入,查询等操作。 +> 创建数据库`ck_test` + +```sql +CREATE DATABASE IF NOT EXISTS ck_test ON CLUSTER ck_cluster; +``` + +注:`on cluster ck_cluster`表示在双副本模式下建库/建表 + +> 创建表`regression` +``` +CREATE TABLE ck_test.regression ON CLUSTER ck_cluster +( + id Int32, + y Int32, + x1 Int32, + x2 Int32 +) +ENGINE = ReplicatedMergeTree( + '/clickhouse/ck_test/tables/{layer}-{shard}/regression', + '{replica}' +) ORDER BY (id); +``` +> ClickHouse支持各种数据类型,包括基本数据类型、日期时间类型、文本类型、枚举类型等,还支持自定义数据类型,以满足特定的需求。 + +> 接着让我们在regression表中插入一些值 +``` +INSERT INTO ck_test.regression VALUES + (1, 5, 2, 3), + (2, 10, 7, 2), + (3, 6, 4, 1), + (4, 8, 3, 4); +``` + +> 让我们查询一下regression表中的数据。你应该看到如下输出。 +``` +SELECT * FROM ck_test.regression; +``` + + + + + +##### 1.3)运行\q退出clickhouse客户端。 + +## `**************作业2:请如上图一样将regression表的查询命令、输出结果和退出clickhouse以后的界面截图,并插入实验报告***************` + + +#### 2)使用`Python`+`clickhouse-driver`模块访问。很多时候我们需要在程序中访问数据仓库,比如用Python读取DW中的数据,然后进一步操作。clickhouse-driver是一个开源的Python模块,它提供了一个Python DB API 2.0兼容的接口,可以通过Python程序连接和操作ClickHouse数据库。 +运行以下命令安装python环境 +``` +sudo yum install python3 +sudo yum install python3-pip +``` +安装clickhouse-driver +``` +pip3 install clickhouse-driver +``` + +##### 2.1)安装完毕后运行python3,然后import clickhouse_driver,若没有报错,则说明clickhouse_driver安装成功。 + + + + +##### 2.2)quit()退出python3命令行,让我们运行几个Python代码来实现建表,插入,查询等操作。 + +> 建立createTable.py文件(若忘记创建文件命令可参考[实验一](https://gitea.shuishan.net.cn/xslu_dase_ecnu_edu_cn/cloud-computing-course/src/branch/master/Assignment1.md)),并复制如下代码。其中username,password,hostIP,port都要替换成你的数据仓库参数。 +``` +import clickhouse_driver + +# 建立连接 +conn = clickhouse_driver.connect(database="ck_test", user="admin", password="Linlinshe1", host="10.9.100.182", port="9000") + +# 创建游标 +cur = conn.cursor() + +# 创建表 +cur.execute('CREATE TABLE COMPANY ON CLUSTER ck_cluster \ + (ID Int32 NOT NULL,\ + NAME String NOT NULL,\ + AGE Int16 NOT NULL,\ + ADDRESS String,\ + SALARY Float64, \ + PRIMARY KEY (ID)) \ + ENGINE = MergeTree() \ + ORDER BY (ID);') +# 提交事务 +conn.commit() + +# 关闭连接 +conn.close() +``` + +> 运行createTable.py,如果没有报错,则说明建表成功。 +``` +python3 createTable.py +``` + +> 向COMPANY表中添加一些记录。建立insertTable.py文件,复制如下代码并运行。 +``` +import clickhouse_driver + +# 建立连接 +conn = clickhouse_driver.connect(database="ck_test", user="admin", password="Linlinshe1", host="10.9.100.182", port="9000") + +cur = conn.cursor() +cur.execute("INSERT INTO COMPANY VALUES (1, 'Paul', 32, 'California', 20000.00 )"); +cur.execute("INSERT INTO COMPANY VALUES (2, 'Allen', 25, 'Texas', 15000.00 )"); +cur.execute("INSERT INTO COMPANY VALUES (3, 'Eric', 35, 'Florida', 25000.00 )"); +conn.commit() +conn.close() +``` + +> 让我们查询一下刚刚建的表。建立selectTable.py文件,复制如下代码并运行。 +``` +import clickhouse_driver + +# 建立连接 +conn = clickhouse_driver.connect(database="ck_test", user="admin", password="Linlinshe1", host="10.9.100.182", port="9000") +cur = conn.cursor() +cur.execute("SELECT ID, NAME, ADDRESS, SALARY from COMPANY order by ID") +rows = cur.fetchall() +print ("ID NAME ADDRESS SALARY") +for row in rows: + print (row[0], "\t", row[1], "\t", row[2], "\t", row[3]) +conn.close() +``` + +> 你应该会看到如下输出。 + + + + + +> 以上只是一个简单的示例,clickhouse-driver还提供了更多的功能和选项,如使用参数化查询、执行多个查询、事务处理等。你可以在官方文档中了解更多信息:https://clickhouse-driver.readthedocs.io/en/latest/index.html。 + +## `**************作业3:请将运行selectTable.py的命令和输出结果截图,并插入实验报告***************` + + +### 三)使用clickhouse完成简单的机器学习任务(线性回归) + +#### 1)前面我们说过,Clickhouse也可用于搭建机器学习模型。这里我们用二)中的regression表跑一下线性回归算法。请使用clickhouse或者clickhouse-driver登录数仓后,并运行如下命令。 + +##### 1.1)确认训练数据 + +``` +select * from ck_test.regression +``` + + + +> 这里我们看到数据量很少,因此`regression`同时是训练集和测试集。 +> 使用了MADlib的线性回归模型linregr_train来对regression表中的数据进行训练,模型输入变量为x1, x2以及偏置项,输出变量为y。训练好的模型保存在regression_model表中。 + +### 2)训练线性回归模型,并将模型参数存入`linear_model`表中。 + +``` +CREATE TABLE linear_model ENGINE = Memory AS SELECT stochasticLinearRegressionState(0.01, 0.1, 2, 'SGD')(y, x1, x2) AS state FROM ck_test.regression; +``` + +> 模型输出变量为y,输入变量为x1, x2。`stochasticLinearRegressionState`的四个参数分别为: + +1. learning rate +2. l2 regularization coefficient +3. mini-batch size +4. method for updating weights + +> 如果要查看训练好的模型参数,则使用以下方式训练模型 + +``` +SELECT stochasticLinearRegression(0.01, 0.1, 2)(y, x1, x2) FROM ck_test.regression; +``` + + + + + +### 3)最后让我们用这个模型去做预测(前提是已将模型参数保存在表中)。我们直接在训练集上进行预测。 +``` + WITH (SELECT state FROM linear_model) AS model SELECT evalMLMethod(model, x1, x2) FROM ck_test.regression +``` +> 你会看到如下输出,即模型对四组输入的预测结果 + + + + +### 4)运行\q退出clickhouse客户端。 + +## `**************作业4:请如上图一样把模型参数和预测结果的界面一起截图,并插入实验报告***************`