云计算课程实验
You can not select more than 25 topics Topics must start with a letter or number, can include dashes ('-') and can be up to 35 characters long.

298 lines
12 KiB

преди 1 година
преди 1 година
преди 1 година
  1. # Assignment 5 指南
  2. ## `******注意,实验结束请立即删除云主机和数据仓库,节省费用******`
  3. ## `******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******`
  4. ## 实验内容
  5. - 创建Clickhouse数据仓库实例: `实验步骤 一)`
  6. - 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)`
  7. - 使用clickhouse完成简单的机器学习任务: `实验步骤 三)`
  8. ## 实验要求(仔细看)
  9. - 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
  10. - 实验报告上传deadline: `4月6日23:59`
  11. ## 使用UCloud产品
  12. 云数据仓库UDW、云主机uhost、私有网络vpc、基础网络unet
  13. ## 需要权限
  14. 云数据仓库UDW、云主机uhost、基础网络unet
  15. ## 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:)
  16. `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。
  17. `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。
  18. 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。
  19. <kbd>
  20. <img src="img/assignment5/ass5-etl.jpg">
  21. </kbd>
  22. `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。
  23. 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。
  24. 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。
  25. 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。
  26. 闲话少说,我们开始创建一个Clickhouse数据仓库玩玩。:ghost: :ghost: :ghost:
  27. ## 实验步骤
  28. ### 一)创建Clickhouse数据仓库实例
  29. #### 1)在产品中选择云数据仓库UDW Clickhouse,然后点击创建集群
  30. <kbd>
  31. <img src="img/assignment5/create1.jpg">
  32. </kbd>
  33. #### 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。
  34. <kbd>
  35. <img src="img/assignment5/create2.jpg">
  36. </kbd>
  37. <kbd>
  38. <img src="img/assignment5/create3.jpg">
  39. </kbd>
  40. <kbd>
  41. <img src="img/assignment5/create4.jpg">
  42. </kbd>
  43. <kbd>
  44. <img src="img/assignment5/create5.jpg">
  45. </kbd>
  46. #### 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。
  47. <kbd>
  48. <img src="img/assignment5/create6.jpg">
  49. </kbd>
  50. ### 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。
  51. #### 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。
  52. ```
  53. wget https://packages.clickhouse.com/rpm/lts/clickhouse-client-22.3.6.5.noarch.rpm
  54. wget https://packages.clickhouse.com/rpm/lts/clickhouse-common-static-22.3.6.5.x86_64.rpm
  55. ```
  56. ##### 安装
  57. ```
  58. rpm -ivh clickhouse-common-static-22.3.6.5.x86_64.rpm
  59. rpm -ivh clickhouse-client-22.3.6.5.noarch.rpm
  60. ```
  61. ##### 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。
  62. ```
  63. 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>
  64. ```
  65. <kbd>
  66. <img src="img/assignment5/adress.jpg">
  67. </kbd>
  68. > 登录后将看到如下界面
  69. <kbd>
  70. <img src="img/assignment5/login.jpg">
  71. </kbd>
  72. ## `**************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***************`
  73. ##### 1.2)让我们运行几个SQL代码来实现建表,插入,查询等操作。
  74. > 创建数据库`ck_test`
  75. ```sql
  76. CREATE DATABASE IF NOT EXISTS ck_test ON CLUSTER ck_cluster;
  77. ```
  78. 注:`on cluster ck_cluster`表示在双副本模式下建库/建表
  79. > 创建表`regression`
  80. ```
  81. CREATE TABLE ck_test.regression ON CLUSTER ck_cluster
  82. (
  83. id Int32,
  84. y Int32,
  85. x1 Int32,
  86. x2 Int32
  87. )
  88. ENGINE = ReplicatedMergeTree(
  89. '/clickhouse/ck_test/tables/{layer}-{shard}/regression',
  90. '{replica}'
  91. ) ORDER BY (id);
  92. ```
  93. > 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。
  94. > 接着让我们在regression表中插入一些值
  95. ```
  96. INSERT INTO ck_test.regression VALUES
  97. (1, 5, 2, 3),
  98. (2, 10, 7, 2),
  99. (3, 6, 4, 1),
  100. (4, 8, 3, 4);
  101. ```
  102. > 让我们查询一下regression表中的数据。你应该看到如下输出。
  103. ```
  104. SELECT * FROM ck_test.regression;
  105. ```
  106. <kbd>
  107. <img src="img/assignment5/select_result.jpg">
  108. </kbd>
  109. ##### 1.3)运行\q退出clickhouse客户端。
  110. ## `**************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***************`
  111. #### 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。
  112. 运行以下命令安装python环境
  113. ```
  114. sudo yum install python3
  115. sudo yum install python3-pip
  116. ```
  117. 安装clickhouse-driver
  118. ```
  119. pip3 install clickhouse-driver
  120. ```
  121. ##### 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。
  122. <kbd>
  123. <img src="img/assignment5/run_python.jpg">
  124. </kbd>
  125. ##### 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。
  126. > 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。
  127. ```
  128. import clickhouse_driver
  129. # 建立连接
  130. conn = clickhouse_driver.connect(database="ck_test", user="admin", password="Linlinshe1", host="10.9.100.182", port="9000")
  131. # 创建游标
  132. cur = conn.cursor()
  133. # 创建表
  134. cur.execute('CREATE TABLE COMPANY ON CLUSTER ck_cluster \
  135. (ID Int32 NOT NULL,\
  136. NAME String NOT NULL,\
  137. AGE Int16 NOT NULL,\
  138. ADDRESS String,\
  139. SALARY Float64, \
  140. PRIMARY KEY (ID)) \
  141. ENGINE = MergeTree() \
  142. ORDER BY (ID);')
  143. # 提交事务
  144. conn.commit()
  145. # 关闭连接
  146. conn.close()
  147. ```
  148. > 运行createTable.py,如果没有报错,则说明建表成功。
  149. ```
  150. python3 createTable.py
  151. ```
  152. > 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。
  153. ```
  154. import clickhouse_driver
  155. # 建立连接
  156. conn = clickhouse_driver.connect(database="ck_test", user="admin", password="Linlinshe1", host="10.9.100.182", port="9000")
  157. cur = conn.cursor()
  158. cur.execute("INSERT INTO COMPANY VALUES (1, 'Paul', 32, 'California', 20000.00 )");
  159. cur.execute("INSERT INTO COMPANY VALUES (2, 'Allen', 25, 'Texas', 15000.00 )");
  160. cur.execute("INSERT INTO COMPANY VALUES (3, 'Eric', 35, 'Florida', 25000.00 )");
  161. conn.commit()
  162. conn.close()
  163. ```
  164. > 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。
  165. ```
  166. import clickhouse_driver
  167. # 建立连接
  168. conn = clickhouse_driver.connect(database="ck_test", user="admin", password="Linlinshe1", host="10.9.100.182", port="9000")
  169. cur = conn.cursor()
  170. cur.execute("SELECT ID, NAME, ADDRESS, SALARY from COMPANY order by ID")
  171. rows = cur.fetchall()
  172. print ("ID NAME ADDRESS SALARY")
  173. for row in rows:
  174. print (row[0], "\t", row[1], "\t", row[2], "\t", row[3])
  175. conn.close()
  176. ```
  177. > 你应该会看到如下输出。
  178. <kbd>
  179. <img src="img/assignment5/selectTabel.jpg">
  180. </kbd>
  181. > 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。
  182. ## `**************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***************`
  183. ### 三)使用clickhouse完成简单的机器学习任务(线性回归)
  184. #### 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。
  185. ##### 1.1)确认训练数据
  186. ```
  187. select * from ck_test.regression
  188. ```
  189. <kbd>
  190. <img src="img/assignment5/data.jpg">
  191. </kbd>
  192. > 这里我们看到数据量很少,因此`regression`同时是训练集和测试集。
  193. > 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。
  194. ### 2)训练线性回归模型,并将模型参数存入`linear_model`表中。
  195. ```
  196. CREATE TABLE linear_model ENGINE = Memory AS SELECT stochasticLinearRegressionState(0.01, 0.1, 2, 'SGD')(y, x1, x2) AS state FROM ck_test.regression;
  197. ```
  198. > 模型输出变量为y,输入变量为x1, x2。`stochasticLinearRegressionState`的四个参数分别为:
  199. 1. learning rate
  200. 2. l2 regularization coefficient
  201. 3. mini-batch size
  202. 4. method for updating weights
  203. > 如果要查看训练好的模型参数,则使用以下方式训练模型
  204. ```
  205. SELECT stochasticLinearRegression(0.01, 0.1, 2)(y, x1, x2) FROM ck_test.regression;
  206. ```
  207. <kbd>
  208. <img src="img/assignment5/parameter.jpg">
  209. </kbd>
  210. ### 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。
  211. ```
  212. WITH (SELECT state FROM linear_model) AS model SELECT evalMLMethod(model, x1, x2) FROM ck_test.regression
  213. ```
  214. > 你会看到如下输出,即模型对四组输入的预测结果
  215. <kbd>
  216. <img src="img/assignment5/result.jpg">
  217. </kbd>
  218. ### 4)运行\q退出clickhouse客户端。
  219. ## `**************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***************`