大家好，今天小编关注到一个比较有意思的话题，就是关于机器学习用spark还是python的问题，于是小编就整理了4个相关介绍机器学习用spark还是Python的解答，让我们一起看看吧。
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。
hadoop和spark的异同？
Spark是UC Berkeley AMP lab所开源的类Hadoop MapReduce的通用的并行计算框架，Spark基于map reduce算法实现的分布式计算，拥有Hadoop MapReduce所具有的优点。
但不同于MapReduce的是Job中间输出结果可以保存在内存中，从而不再需要读写HDFS，因此Spark能更好地适用于数据挖掘与机器学习等需要迭代的map reduce的算法。 优势应该在于分布式架构比较相似能快速上手吧。
Hadoop和Spark都是大数据处理，但它们之间存在一些区别和异同点。
1. 数据处理方式：Hadoop***用MapReduce计算模型，而Spark***用基于内存的计算方式。
2. 处理速度：相比Hadoop，Spark的处理速度更快，因为它可以将数据到内存中并在内存中进行计算，而Hadoop需要将数据从磁盘中加载到内存中进行计算。
3. 处理范围：Hadoop适用于大规模数据处理和批量处理，而Spark除了可以进行批量处理，还可以实时处理流数据。
4. 编程语言：Hadoop主要***用java编程语言，而Spark则***用scala、Java或Python等多种编程语言。
5. 生态系统：Hadoop拥有完整的生态系统，包括Hive、Hbase、Pig等组件，而Spark生态系统相对较小，但正在不断壮大。
6. ***利用：Hadoop的***利用率较低，而Spark可以充分利用***，包括CPU、内存等。
综上所述，Hadoop和Spark都是处理大数据的技术，但它们之间存在一些不同点，选择哪个技术取决于具体的需求和场景。
以后金融数学和金融工程方向，对编程的要求是C++更多还是matlab更多呀？
先说答案，python
matlab更多是一种实验向软件，封装了很多工具包，对于编程有很好的指导作用，但还不算编程。如果你就想做一些简单的数据分析，matlab就够用了，SPSS也是需要掌握的；
C++上手难度系数太高，如果用好了确实很好很强大，但没个三五年的代码经验很难用好，你的目标如果不止于数据分析师而是编程达人，可以挑战一下
python缺点很多，但是它的优点在于简单易上手，有相当丰富的工具包，而且这些工具包很多[_a***_]是C/C++实现的，然后再提供python api支持。目前为止，python已经是ai和数据分析的头牌语言。
补充，大数据方向，j***a也是要学的，hadoop/spark都是j***a实现的，虽然提供了python接口，但是常用的还是j***a/scala的原生接口
深度学习的和Python有什么关联吗？
关于这个问题，可以这样回答，深度学习是一种内容，而Python是它的其中一种实现方式。
深度学习是机器学习的一个分支，主要是脱胎于当初的神经网络算法，通过多个隐藏层的处理，达到我们所需要的任务的训练，得到一个有效的模型。深度学习因为他的有效性，现在被广泛应用在，CV、NLP、语音识别等方面。
而Python因为他语言的简洁性和易扩展性，被广泛使用。Python拥有很多科学计算库，比如numpy，pandas，scipy。可视化库matplotlib，Scikit—learn等，可以方便调用。也有很多现成的人工智能开发框架可以直接使用，比如现在比较常用的PyTorch和TensorFlow，Keras，Spark等。
打个比方，用了Python就是不用重复造轮子，如我梯度下降算法，我可以直接使用现成的自动梯度下降函数，而不用自己重新写函数。
总结一句，现在的深度学习的实现形式通常是Python，就是用Python代码编写实现我们的深度学习算法。
到此，以上就是小编对于机器学习用spark还是python的问题就介绍到这了，希望介绍关于机器学习用spark还是python的4点解答对大家有用。
