基于spark的医疗保健数据分析及预测系统
舟率率 11/4/2025 pythonscalaflask
# 项目概况
# 数据类型
kaggle医疗健康数据 (opens new window)
# 开发环境
centos7
# 软件版本
python3.8.18、hadoop3.2.0、spark3.1.2、mysql8.0.41、scala2.12.18、jdk8
# 开发语言
python、Scala
# 开发流程
数据上传(hdfs)->数据清洗(spark)->数据分析(spark)->机器学习(spark)->数据存储(mysql)->后端(flask)->前端(html+js+css)
# 可视化图表
# 操作步骤
# python安装包
pip3 install pandas==2.0.3 -i https://pypi.tuna.tsinghua.edu.cn/simple/
pip3 install flask==3.0.0 -i https://pypi.tuna.tsinghua.edu.cn/simple/
pip3 install flask-cors==4.0.1 -i https://pypi.tuna.tsinghua.edu.cn/simple/
pip3 install pymysql==1.1.0 -i https://pypi.tuna.tsinghua.edu.cn/simple/
pip3 install pyecharts==2.0.4 -i https://pypi.tuna.tsinghua.edu.cn/simple
1
2
3
4
5
6
7
2
3
4
5
6
7
# 启动MySQL
# 查看mysql是否启动 启动命令: systemctl start mysqld.service
systemctl status mysqld.service
# 进入mysql终端
# MySQL的用户名:root 密码:123456
# MySQL的用户名:root 密码:123456
# MySQL的用户名:root 密码:123456
mysql -uroot -p123456
1
2
3
4
5
6
7
8
9
2
3
4
5
6
7
8
9
# 启动Hadoop
# 离开安全模式: hdfs dfsadmin -safemode leave
# 启动hadoop
bash /export/software/hadoop-3.2.0/sbin/start-hadoop.sh
1
2
3
4
5
2
3
4
5
# 准备目录
mkdir -p /data/jobs/project/
cd /data/jobs/project/
# 解压 "project-spark-healthcare-analysis-predict" 目录下的 "data" 目录下的 "data.7z" 压缩包到 当前目录
# 上传 "project-spark-healthcare-analysis-predict" 整个文件夹 到 "/data/jobs/project/" 目录
1
2
3
4
5
6
7
2
3
4
5
6
7
# 上传文件到hdfs
cd /data/jobs/project/project-spark-healthcare-analysis-predict/data/
hdfs dfs -mkdir -p /data/input/
hdfs dfs -rm -r /data/input/*
hdfs dfs -put healthcare_dataset.csv /data/input/
hdfs dfs -ls /data/input/
1
2
3
4
5
6
7
8
2
3
4
5
6
7
8
# 程序打包
cd /data/jobs/project/project-spark-healthcare-analysis-predict/
# 对 项目 "project-spark-healthcare-analysis-predict" 进行打包
# 打包命令: mvn clean package -Dmaven.test.skip=true
# yes | cp target/project-spark-healthcare-analysis-predict.jar /data/jobs/project/
# 上传 "project-spark-healthcare-analysis-predict/target/" 目录下的 "project-spark-healthcare-analysis-predict.jar" 文件 到 "/data/jobs/project/" 目录
1
2
3
4
5
6
7
8
9
2
3
4
5
6
7
8
9
# spark数据清洗
cd /data/jobs/project/
spark-submit \
--master local[*] \
--class org.example.DataClean \
/data/jobs/project/project-spark-healthcare-analysis-predict.jar /data/input/ /data/output/cleaned/
1
2
3
4
5
6
7
8
2
3
4
5
6
7
8
# spark数据分析
spark-submit \
--master local[*] \
--class org.example.HealthCareAnalysis \
/data/jobs/project/project-spark-healthcare-analysis-predict.jar /data/output/cleaned/
1
2
3
4
5
6
2
3
4
5
6
# spark机器学习
# 最佳参数是: 15 150
# 最佳参数是: 15 150
# 最佳参数是: 15 150
# 机器学习对内存有要求, 如果使用最佳参数, 建议在windows的idea中运行 !!!!!
# 机器学习对内存有要求, 如果使用最佳参数, 建议在windows的idea中运行 !!!!!
# 机器学习对内存有要求, 如果使用最佳参数, 建议在windows的idea中运行 !!!!!
# 机器学习对内存有要求, 如果使用最佳参数, 建议在windows的idea中运行 !!!!!
spark-submit \
--master local[*] \
--class org.example.HealthCarePredictFinal \
/data/jobs/project/project-spark-healthcare-analysis-predict.jar /data/input/ 5 100
1
2
3
4
5
6
7
8
9
10
11
12
13
14
2
3
4
5
6
7
8
9
10
11
12
13
14
# 启动可视化
cd /data/jobs/project/project-spark-healthcare-analysis-predict/myapp/
# windows本地运行: python app.py
python3 app.py pro
1
2
3
4
5
6
2
3
4
5
6