① 如何利用spark实现kmeans聚类算法
用spark做kmeans算法的例子,里边导入的数据总是有sample_linear_regression_data.txt sample_svm_data。
② spark和hadoop的区别
hadoop:是分布式存储系统，同时提供分布式计算环境，存储称为hdfs，计算称为maprece 简称MR。
spark：是一个分布式计算框架，类似于hadoop的运算环境，但是比maprece提供了更多支持，与其他系统的对接，一些高级算法等，可以独立运行，也可以使用hdfs上的数据，调度任务也可以基于hadoop的yarn来管理。由于整个计算都可以在内存中完成，所以速度自然比传统的MR计算的快。除此之外spark运行时占用的系统资源也比MR小得多，相比较属于轻量级运行。最核心的也是它提供的分析学习算法，这个大部分分布式架构不具有的。
一般spark下的编程多数基于scala来完成，而非java，所以想学习spark一定要学习scala语言
③ 大数据中的Spark指的是什么
谢谢邀请！
spark最初是由伯克利大学的amplab于2009年提交的一个项目，现在已经是Apache软件基金会最活跃的项目，对于spark,apache给出的官方定义是：spark是一个快速和通用的大数据处理引擎。可以理解为一个分布式大数据处理框架，spark是基于Rdd(弹性分布式数据集)，立足于内存计算，在“one stack to rule them all” 的思想引导下 ，打造了一个可以流式处理（spark streaming）,机器学习（mllib）,实时查询（spark sql）,图计算（graphx）等各种大数据处理，无缝连接的一栈式计算平台，由于spark在性能和扩展上快速，易用，通用的特点，使之成为一个一体化，多元化的大数据计算平台。
spark的一栈式优势
1 快速处理，比hadoop快100倍，因为spark是基于内存计算，而hadoop是基于磁盘计算
2易用性，spark支持多种语言
3 通用性强，可以流式处理，及时查询，图计算，机器学习
4 可以和hadoop数据集成，运行在yarn上，统一进行资源管理调度
5 活跃和壮大的社区
以上是关于spark的简单定义，希望我的回答可以采纳，谢谢
④ maprece 和 spark 的pagerank算法一样吗
，之所以加了0.25是因为初始的概率为1/n，而n为网站数，这里统计网站数又得需要一个MapRece来实现，所以作罢，权当n是手工输入的。
由于每次迭代后的结果只能放在文件中，所以这里花了很多时间在规范如何输出，以及map和rece之间如何传值的问题。
在map中，我们要做的是从输入文件中获取alaph和每个网站的转移概率。例如
A 0.25:B,C,D
B的转移概率为1/3而且是从A转向B的
⑤ 如何运行spark mllib 算法
LS会建立一个user*proct的m*n的矩阵 其中，m为users的数量
⑥ spark中有dbscan算法吗
看清楚dbscan算法中有两个关键的参数是 EPS, and Min group threshold. 直观的想法是，如果你的eps很大，min-group-threshold 也很大的时候，那你得到的聚类的类数目就会少很多，那你搜索的时候就可能很快收敛。