大家好，今天小编关注到一个比较有意思的话题，就是关于python spark 机器学习的问题，于是小编就整理了2个相关介绍Python spark 机器学习的解答，让我们一起看看吧。
s神经网络用python好还是spark好？
神经网络的实现可以使用Python或Spark进行。Python具有广泛的机器学习和深度学习库，如TensorFlow和PyTorch，方便构建和训练神经网络模型。
Spark则适用于大规模分布式计算，可以处理大规模数据集。选择哪种工具取决于你的需求，如果是小规模数据或快速原型开发，Python是个不错的选择；而对于大规模数据或需要分布式计算能力，Spark可能更适合。
hadoop和spark区别？
您好，Hadoop和Spark都是大数据处理的开源软件，但是它们有以下区别：
1. 数据处理方式：Hadoop使用MapReduce作为其数据处理引擎，而Spark使用内存计算引擎。
2. 处理速度：由于Spark使用内存计算引擎，因此处理速度比Hadoop更快。
3. 数据存储：Hadoop使用HDFS（Hadoop分布式文件系统）来存储数据，而Spark可以使用多种存储系统，例如HDFS、Cassandra、HBase等。
4. 编程语言：Hadoop主要使用Java编程语言，而Spark可以使用Scala、J***a、Python等编程语言。
5. 计算复杂性：Spark支持更复杂的计算，例如图形计算和流式处理。
Spark和Hadoop的区别在于它们处理大数据的方式不同。
因为Hadoop最开始只提供了HDFS和MapReduce这两个组件，而且MapReduce的计算模型是批处理模型，需要在Map阶段和Reduce阶段之间读写HDFS，导致计算时间较长。
而Spark基于内存计算的思想，使用了新的计算模型：弹性分布式数据集（RDD），这种计算模型通过内存缓存数据，可以直接在内存中进行各种计算、处理操作，大大加快了计算速度。
就功能而言，Spark可以支持更多类型的应用程序开发，支持实时流处理、交互式查询和机器学习等领域，而Hadoop在大数据处理上具有很高的稳定性和可扩展性。
Spark和Hadoop都是大数据计算框架，但它们各有自己的优势。
Spark和Hadoop的区别
1.原理比较：Hadoop和Spark都是并行计算，两者都是用MR模型进行计算。Hadoop一个作业称为一个Job，Spark用户提交的任务称为application。
2.数据的存储和处理：
Hadoop实质上更多是一个分布式系统基础架构: 它将巨大的数据集分派到一个由普通计算机组成的集群中的多个节点进行存储，同时还会索引和跟踪这些数据，大幅度提升大数据处理和分析效率。
Spark 是一个专门用来对那些分布式存储的大数据进行处理的工具，没有提供文件管理系统，自身不会进行数据的存储。它必须和其他的分布式文件系统进行集成才能运作。可以选择Hadoop的HDFS,也可以选择其他平台。
3.处理速度：
Spark，它会在内存中以接近“实时”的时间完成所有的数据分析。Spark的批处理速度比MapReduce快近10倍，内存中的数据分析速度则快近100倍。
4.恢复性：
到此，以上就是小编对于python spark 机器学习的问题就介绍到这了，希望介绍关于python spark 机器学习的2点解答对大家有用。
