夜行録 - 酔歩.net

年が変わるごとにgnucashのファイルを更新して新しいファイルに前年末の残高を移行している。 今年も1年ぶりにその作業を行なったらしばらく悩むことになったので作業手順書を残しておく。

[read more]

梅雨の頃に買った傘カバーが久しぶりに活躍。
ただこいつ、肩に吊るす用のループが致命的に滑りやすいので切って使う滑り止めマットをホッチキス社発明のステープラーで裏に止めてやった

スマートロックというものがあるらしい。
スマホで bluetooth で通信して施錠・解錠してくれる。扉の内側に貼り付けて、サムターンを機械的に回すだけ！という単純設計。

結構、買い物して帰ってくると鍵出すのが大変だったりするので取り付けて見た。締め出されるのが怖いので、施錠は必ず物理キー

普段使っていない押入れだの、棚の最下段から次々見つかる空箱…。
そして、その中から出て来るビニール袋・紙袋・前回引っ越しの時に使った梱包材の山…。

こういうのは今度は徹底的に捨てよう、と思った。しかし、梱包材の方は、かなり今回使いまわしてる。取っておいて正解か？

一方で、詰めても詰めても終わらない本とCDの山。これ全部持っていかないとダメなのか？
というか、遥か昔買って以来読んでいないまま引っ越しのたびに運んでいる本ってなんのために運んでいるんだ？いつの日か読むのか？ 仕事を離れてのんびり2ヶ月くらい好きなことだけやって暮らし日々でも来たら読むのか（それって今なんじゃ…

食器もなあ…、いつの間にか増えて使わないものがそのまま奥に沈んでいってて、こういうのも意識的に捨てないとだなぁ

数えてみると、10年ぶり7度目らしい

しかし、詰めても詰めても終わらない。この部屋だけで何箱使うんだ？
とりあえず本だけとかで一箱にならないよう上半分には違うものを詰めているんだが、それでも自分じゃ持ち上がるか不安

なお、前回引っ越し時の空箱だの梱包材の残りだのが大量に発掘された…。今回はさっさと捨てよう
しかしその前回の箱を活用しても、箱足りなくなるんじゃないか疑惑。まあ、積み替えなしだからトラックに放り込みさえできればあとはなんとかなりそう

ここ1、2年、あまりにも会社にやることがなかったのと、会社の進路修正が自分とマッチしてない感じがして転職することにしました。

まあ、一度やって見たかった、というのも大きいのですが、やはり会社辞める時は理由は一つじゃないよね

有給が有り余っているので、これから年内は遊んで暮らす日々です。

次の勤務先はアキバ。通勤時間は短くしよう。

Sparkで距離計算をしてみる。 データは (key, [v1, v2,..., vn]) というタプルのリストであるとする

＃直積で全ペアの作成（AはRDDで上のようなリスト）

B = A.cartesian(A)

＃ ((a, a), (a, b), (a, c)...) が生成され、aが上の(key, [val])
＃キーと値をそれぞれタプルに分離

C=B.map(lambda x: ((x[0][0], x[1][0]), (x[0][1], x[1][1])))

＃自分との距離は無視

D=C.filter(lambda x: x[0][0] != x[0][1])

＃numpy でベクトルの引き算、内積、sqrt

E=D.map(lambda x: (x[0], np.array(x[1][0])-np.array(x[1][1])))
F=E.map(lambda x: (x[0], np.sqrt(np.dot(x[1], x[1]))))
F.persist()

＃((i, j), r_ij) の形になっている

＃ (i, r_ij) に変換

G=F.map(lambda x: (x[0][0], x[1]))

＃同じキーの距離をリストにまとめる

H=G.groupByKey()

＃（イテレータからリストへ変換するおまじない）

I=H.map(lambda x: (x[0], list(x[1])))

＃ある要素からの距離が全てリストにまとめられている

＃最大最小の探索
＃値（距離）だけ抽出

J=F.map(lambda x: x[1])
J.persist()

＃RDDのStatsCounter object

j=J.stats()
print j.max(), j.min(), j.mean(), j.stdev()

＃ヒストグラムも自前でかける from RDD

Q=J.histogram(50)

In [17]: ?Q
Type:        tuple
String form: ([0.056793451016426098, 6.482786133784419, 12.908778816552413, 19.334771499320404, 25.76076418208 <...> 406, 27434, 17670, 11478, 7324, 4280, 2550, 2038, 1316, 346, 328, 210, 34, 10, 8, 6, 8, 2, 0, 2])
Length:      2
Docstring:
tuple() -> empty tuple
tuple(iterable) -> tuple initialized from iterable's items

If the argument is a tuple, the return value is the same object.

In [18]: print Q[0]
[0.056793451016426098, 6.482786133784419, 12.908778816552413, 19.334771499320404, 25.760764182088398, 32.186756864856392, 38.612749547624382, 45.03874223039238, 51.46473491316037, 57.890727595928361, 64.316720278696366, 70.742712961464363, 77.168705644232347, 83.594698327000344, 90.020691009768342, 96.446683692536325, 102.87267637530432, 109.29866905807232, 115.7246617408403, 122.1506544236083, 128.5766471063763, 135.0026397891443, 141.42863247191229, 147.85462515468026, 154.28061783744826, 160.70661052021626, 167.13260320298426, 173.55859588575225, 179.98458856852025, 186.41058125128822, 192.83657393405622, 199.26256661682422, 205.68855929959221, 212.11455198236021, 218.54054466512821, 224.96653734789621, 231.39253003066418, 237.81852271343217, 244.24451539620017, 250.67050807896817, 257.09650076173614, 263.52249344450411, 269.94848612727213, 276.3744788100401, 282.80047149280813, 289.2264641755761, 295.65245685834407, 302.07844954111209, 308.50444222388006, 314.93043490664809, 321.35642758941606]

In [19]: print Q[1]
[3246, 4956, 6868, 11482, 24108, 53192, 114492, 228950, 413436, 661572, 948358, 1224238, 1446794, 1585532, 1642804, 1615678, 1519618, 1365182, 1186784, 1000046, 829116, 666752, 533750, 419492, 321666, 247242, 183192, 135116, 95748, 66502, 44406, 27434, 17670, 11478, 7324, 4280, 2550, 2038, 1316, 346, 328, 210, 34, 10, 8, 6, 8, 2, 0, 2]

この先が思いつかないなぁ

必要なもの

jdk

http://www.oracle.com/technetwork/java/javase/downloads/jdk8-downloads-2133151.html から拾ってきてインストール（8u72 (1.8.0_72)）

spark

http://spark.apache.org/downloads.html からダウンロードして、適当なところに展開（spark-1.6.0-bin-without-hadoop.tgz）。

hadoop

https://hadoop.apache.org/releases.html からダウンロードして、適当なところに展開（hadoop-2.7.1.tar.gz）。

環境変数

## Hadoop
export PATH=$HOME/data/hadoop-2.7.1/bin:${PATH}
export JAVA_HOME=`/usr/libexec/java_home`

## Spark
export PATH=$HOME/data/spark-1.6.0-bin-without-hadoop/bin:${PATH}
export SPARK_DIST_CLASSPATH=`hadoop classpath`
export HADOOP_CONF_DIR=$HOME/data/hadoop-2.7.1/etc/hadoop

osxでJAVA_HOMEを適切に設定するには、/usr/libexec/java_homeを用いると簡便で良い。 うっとおしいので、spark-1.6.0-bin-without-hadoop/conf/log4j.propertiesを作成し、 log4j.rootCategory=WARN, consoleとしておく。

osxの場合、普通に実行すると snappy が云々という例外投げられて死ぬ。これは

1. Sparkは通信の為にデータを圧縮する
2. 幾つかのコーデックが使えるがデフォルトがsnappy
3. osxのjava環境にはこれがない（pure javaではなくnative libraryが必要）

pyspark --driver-java-options -Dspark.io.compression.codec=lzfとするとエラーとならない

env PYSPARK_PYTHON=ipython-2.7 pyspark --driver-java-options -Dspark.io.compression.codec=lzf --master 'local[*]'として、iPython-2.7 をフロントエンドに、pythonから4並列でデータ処理ができた。

話題になってから半年遅れくらいだが、やっと時間が取れて試してみた。

python のフロントエンドがあるわけだが、これをむしろ spark のフロントエンドではなく python に対して spark の RDD が追加されたものと考えると大変使いやすくてよい。

もともと python で分散処理させようと思ったら multiprocssing あたりで明示的に書いてやらないとだめだったところが、 見かけ上一つのオブジェクトである RDD に処理を割り当てて実行すれば、勝手に裏で分散処理される。
しかもノード間でも分散できる、と考えると python で上手くできてなかったところをきれいに埋めてるように見える。

R も分散処理苦手だった気がするけど、 python + RDD でデータ解析環境とすると今時点では最強なんじゃないだろうか？

1. hadoopのクラスライブラリは必要だが、hadoop自体は動いている必要はない
2. yarnに投げなくても、sshが通れば自前でクラスタ構築できる（standalone mode）
3. 1ノードでも、コアの数で分散処理ができる
4. iPython とも連携できる

2T と 3T のディスクにまたがって、2.7T の logical volume があったんだが、用途が gfarm のストレージだったおかげで、 gfrep で他のノードに追っ払えて、 30G くらいになったところで xfsdump して、 unmount して、その他の lovical volume も pvmove で動かせて、すかさず fdisk してパーティション切れた（2T のディスクの方）。

昔、 2T に 2T 追加した時にパーティションきらなかった方で、切ってあった方が怪しくなった時に 3T なんかつけたらそっちから起動できなくて、どうしてもパーティション切り直さなきゃならなかったのがやっと何とかなった。 しかも、リモートからオンラインで。ああ苦しいお手玉だった。

ディスクに余裕があると、リカバリのために一旦バックアップとか出来て助かる。 学生の頃はそんなリソースなかったから、何を諦めるとかそんなのばっかだった気がする。

最後に新しい root を mount しておいて、 chroot して grub-install 。成功。素晴らしい（rebootはまだ）。