大数据开发实战（Hadoop、Hive、Spark等）

社交媒体网络在人们的日常生活中发挥着越来越重要的作用。 社区结构是社交媒体网络的显着特征之一，已经被应用到推荐系统和网络营销等实际应用中。 随着社交媒体规模的Swift扩大和信息量的激增，如何在大数据场景中识别社区已成为一个挑战。 基于我们以前的工作和地图方程（来自社区挖掘信息理论的方程），我们开发了一种新颖的分布式社区结构挖掘框架。 在框架中，（1）我们提出了一种新的链接信息更新方法，以试图避免数据写入相关的操作并试图加快该过程。 （2）我们使用来自节点及其邻居的本地信息而不是pagerank来计算节点的概率分布。 （3）我们从先前的工作中排除了网络分区过程，并尝试直接在MapReduce上运行map方程。 在现实世界中的社交媒体网络和人工网络上的经验结果表明，新框架在准确性，速度和可伸缩性方面优于我们以前的工作和一些著名的算法，例如Radetal，FastGN。

大数据基础知识思维导图（Xmind）-MapReduce、Spark、Hive、Yarn等大数据处理工具-附件资源

基于Maven和Java的MapReduce程序编写

大数据分析论文，RDBMS与MapReduce的竞争与共生

1、功能描述 用户的手机，连接到不同的基站会产生一条记录。 数据格式为：用户标识 设备标识 基站位置 通讯的日期 通讯时间 example： 0000009999 0054785806 00000089 2016-02-21 21:55:37 需要得到的数据格式为： 用户标识 时段 基站位置 停留时间 example： 0000000001 09-18 00000003 15 用户0000000001在09-18点这个时间段在基站00000003停留了15分钟

基于MR实现的TFIDF相似度的计算过程，可以深刻理解mapreducer的过程同时了解TFIDF计算过程

此文档用于指导在hadoop完全分布式环境上做mapreduce开发，包括了11个mapreduce实例，讲解详细，适合初步接触mapreduce开发的同学，希望对大家有帮助

MapReduce求取行平均值 MapReduce小实例 数据有经过处理已经添加行号的 也有未添加的 行平均值的四种求法

Community Detection inOnline Social Networks大数据大中小数据集所对应的mapreduce代码