Big Data Analytics with R and Hadoop

Guía técnica orientada a combinar el potencial analítico y gráfico del lenguaje estadístico R con la infraestructura de computación y almacenamiento distribuido de Apache Hadoop (HDFS y MapReduce v1/v2). Está pensada para científicos de datos y programadores de R que chocan con la barrera de la memoria RAM al procesar conjuntos masivos de datos, así como para administradores e ingenieros de Hadoop que desean ejecutar modelos estadísticos avanzados sobre clústeres sin abandonar su ecosistema. Requiere soltura previa en programación con R y conceptos fundamentales de terminal Linux y sistemas distribuidos.

El texto enseña cómo orquestar canalizaciones analíticas a gran escala utilizando conectores e interfaces clave: el ecosistema RHadoop (en particular los paquetes rmr2, rhdfs y rhbase), el entorno RHIPE (R and Hadoop Integrated Processing Environment) y el mecanismo estándar de Hadoop Streaming apoyado en el paquete HadoopStreaming de R. Además, cubre la ingesta y descarga de datos entre el clúster HDFS y bases de datos relacionales tradicionales mediante RODBC y RJDBC, y la aplicación distribuida de algoritmos de Machine Learning y minería de datos, tales como agrupamiento con k-means, modelos de regresión y algoritmos de clasificación supervisada.

Mediante tutoriales y scripts detallados, el lector practica la configuración del entorno, la carga y partición de ficheros masivos y la escritura de funciones map y reduce en sintaxis nativa de R. No construye una aplicación web integral ni interfaces interactivas para el usuario final, enfocándose en la ejecución por lotes (batch processing). Su mayor valor estriba en clarificar los fundamentos de la computación distribuida aplicada al análisis estadístico, si bien el lector moderno debe tener en cuenta que muchas de estas librerías pioneras han sido sucedidas en la práctica industrial contemporánea por Apache Spark (a través de SparkR y sparklyr).