大家好，今天小编关注到一个比较有意思的话题，就是关于机器学习python还是spark的，于是小编就整理了2个相关介绍机器学习Python还是spark的解答，让一起看看吧。
机器学习实践：如何将Spark与Python结合？
1.Spark Context设置内部服务并建立到Spark执行环境的连接。
2.驱动程序中的Spark Context对象协调所有分布式进程并允许进行***分配。
4.Spark Context对象将应用程序发送给执行者。
5.Spark Context在每个执行器中执行任务。
presto和spark的区别？
区别在于设计架构、数据处理方式、数据处理速度、使用场景、编程接口等方面。详细区别如下：
1. 设计架构：Presto是一个基于sql的分布式查询引擎，它使用自定义的计算引擎来执行查询。Spark是一个通用的大数据处理框架，它支持多种计算模型，包括批处理、实时流处理和机器学习等。
2. 数据处理方式：Presto将数据存储在外部数据源中，包括Hadoop HDFS、Amazon S3、MySQL等。Spark则使用分布式内存计算引擎来处理数据，它通常将数据存储在内存中，以提高处理速度。
3. 数据处理速度：Presto在处理大型数据集时非常快，因为它使用的是自定义计算引擎，它可以轻松地处理数十亿行数据。Spark处理速度也很快，特别是在处理内存中的数据时，但是在处理大型数据集时可能会遇到瓶颈。
4. 使用场景：Presto适用于需要快速查询大量数据的场景，特别是在需要使用多个数据源的情况下。Spark适用于需要进行复杂数据处理的场景，例如批处理、实时流处理和机器学习等。
5. 编程接口：Presto使用标准的SQL查询语言，使得用户可以轻松地编写和执行查询语句。Spark使用Scala、Java、Python等编程语言来编写应用程序，用户需要编写代码来处理数据。
总之，Presto和Spark都是强大的大数据处理框架，但是它们的设计和使用方式有很大的不同。用户应该根据自己的需求和场景来选择最合适的框架。
Presto和Spark都是大数据处理的开源框架，但是它们的设计和使用方式有很大的不同。
很难说Presto肯定比Spark SQL更快或更慢，取决于您正在执行的查询类型，环境和引擎调整参数。关于presto和spark sql对比的文章很少，主要原因是Presto没有那么主流，但已用了presto，那就有必要对比分析一下。
相同点
presto和spark sql都是MPP(massively parallel processing)架构（Presto/Impala/SparkSQL/Drill等），有很好的数据量和灵活性支持，都是基于内存(spark基于内存和磁盘)，但是对响应时间是没有保证的。当数据量和计算复杂度增加后，响应时间会变慢，从秒级到分钟级，甚至小时级都有可能。
不同点
重点不同：presto强调查询，spark sql强调计算
架构不同：Presto架构相当简单，有一个协调器，可以执行SQL解析、计划、调度，和一组执行物理***的工作节点；Spark核心之间有更多层，框架更复杂，RDD的弹性构建，为作业进行***管理和协商等等
内存存储：两者都是内存计算，当内存不够时，presto直接OOM，spark会落地磁盘
***申请：presto预先申请好CPU和内存，coordinator和worker一直运行；spark任务实时申请***，需要多少***申请多少
到此，以上就是小编对于机器学习python还是spark的问题就介绍到这了，希望介绍关于机器学习python还是spark的2点解答对大家有用。
