了解map和reduce工作原理，以及排序，分组，分区设置，有详细的注释，方便查看学习，适合入门初学者练手

基于mapreduce的小型电影推荐系统，使用javaweb的方式实现，

我的第一个MapReduce程序，对基础代码进行了，些许的优化，如果是才开始学的可以参考一下，老手emmm，帮忙看错，嘻嘻(最后要加上fs.close(); 作者打包的时候忘了加了)

在事务数据库中搜索频繁模式被认为是最重要的数据挖掘问题之一，而Apriori是用于此任务的典型算法之一。 由于数据库庞大，开发能够处理大量数据的快速高效算法就成为一项艰巨的任务。 在本文中，我们实现了一个基于MapReduce的并行Apriori算法，该算法是一个使用大量计算机（节点）处理某些类型的可分配问题的大型数据集的框架。 实验结果表明，该算法能够很好地扩展和高效地处理商品硬件上的大型数据集。

这本免费书籍重点介绍MapReduce算法设计，重点介绍自然语言处理，信息检索和机器学习中常见的文本处理算法。

Python 中的 Hadoop Mapreduce 示例 python 中的几个 Mapreduce 示例以及有关运行它们的文档！ 运行代码的步骤 文件夹结构 假定文件存储在 Linux 操作系统中的给定位置。 这只是一个示例说明，实际上位置并不重要。 Hadoop 安装在：/usr/local words.txt（运行 mapreduce 作业的示例 word 文件）：/usr/local mapper.py（mapper 文件）和 reducer.py（reducer 文件）：/usr/local hdfs 中的 words.txt：/wordcount 创建文件 touch words.txt 在 hdfs 中制作目录 hadoop fs -mkdir -p /wordcount 将测试文件从本地目录复制到 hdfs hadoop fs -copyFromLocal

Mapreduce-1:python中的MapReduce的孙子/祖父母对

爬虫代码+MapReduce代码+可视化展示代码实验报告，包含详细代码实现

这是一篇博客的附件。 博客地址：http://blog.csdn.net/luckymelina/article/details/22889383

频繁模式挖掘是一种非常有效地从数据中获取知识的方法，但是随着大数据时代的来临，现有算法及其计算环境的运算速度、内外存容量面临严峻挑战。针对以上问题，紧密结合MapReduce模型提供的高效分布式编程和运行框架，在深入分析H-mine频繁模式挖掘算法的基础上，通过对H-mine算法频繁模式挖掘过程的并行化改进，提出了一种新颖的基于MapReduce模型的H-mine算法（简称MRH-mine）。MRH-mine算法实现了对H-mine算法在分布式运行环境下的改造，实验表明该算法在面对数据大规模增长的情况下具有良好的性能和扩展性。