RDD编程初级实践

最新推荐文章于 2022-10-11 17:49:17 发布

huang_of_csdn

最新推荐文章于 2022-10-11 17:49:17 发布

阅读量636

点赞数 1

文章标签： spark

本文链接：https://blog.youkuaiyun.com/huang_of_csdn/article/details/117888849

版权

该文介绍了如何使用pyspark进行数据处理，包括计算学生数量、课程数量、平均分等，并展示了如何编写Spark独立应用程序实现数据去重和计算平均分。此外，还给出了具体的操作步骤和代码示例。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

1．pyspark交互式编程

本作业提供分析数据data.txt，该数据集包含了某大学计算机系的成绩，数据格式如下所示：

Tom,DataBase,80

Tom,Algorithm,50

Tom,DataStructure,60

Jim,DataBase,90

Jim,Algorithm,60

Jim,DataStructure,80

……

请根据给定的实验数据，在pyspark中通过编程来计算以下内容：

（1）该系总共有多少学生；

读取文件

lines = sc.textFile("file:///usr/local/spark/data.txt")

获取每行数据的第1列

res = lines.map(lambda x:x.split(",")).map(lambda x: x[0])

去重

distinct_res = res.distinct()

统计元素总个数

distinct_res.count()

（2）该系共开设了多少门课程；

获取每行数据的第2列

res = lines.map(lambda x:x.split(",")).map(lambda x:x[1])

为数据去重

distinct_res = res.distinct()

统计元素总个数

distinct_res.count()

（3）Tom同学的总成绩平均分是多少；

筛选Tom同学的成绩信息

res = lines.map(lambda x:x.split(",")).filter(lambda x:x[0]=="Tom")

提取Tom同学的每门成绩，并转换为int类型

score = res.map(lambda x:int(x[2]))

Tom同学选课门数

num = res.count()

Tom同学的总成绩

sum_score = score.reduce(lambda x,y:x+y)

总成绩/门数=平均分

avg = sum_score/num

打印结果

print(avg)

（4）求每名同学的选修的课程门数；

学生每门课程都对应(学生姓名,1)，学生有n门课程则有n个(学生姓名,1)

res = lines.map(lambda x:x.split(",")).map(lambda x:(x[0],1))

按学生姓名获取每个学生的选课总数

each_res = res.reduceByKey(lambda x,y: x+y)

打印结果

each_res.foreach(print)

（5）该系DataBase课程共有多少人选修；

筛选出database课程数据

res = lines.map(lambda x:x.split(",")).filter(lambda x:x[1]=="DataBase")

统计

res.count()

（6）各门课程的平均分是多少；

为每门课程的分数后面新增一列1，表示1个学生选择了该课程。

res = lines.map(lambda x:x.split(",")).map(lambda x:(x[1],(int(x[2]),1)))

按课程名聚合课程总分和选课人数。

temp = res.reduceByKey(lambda x,y:(x[0]+y[0],x[1]+y[1]))

课程总分/选课人数 = 平均分，并利用round(x,2)保留两位小数

avg = temp.map(lambda x:(x[0], round(x[1][0]/x[1][1],2)))

结果打印

avg.foreach(print)

（7）使用累加器计算共有多少人选了DataBase这门课。

筛选出database课程的数据

res = lines.map(lambda x:x.split(",")).filter(lambda x:x[1]=="DataBase")

定义一个累加器，值为0

accum = sc.accumulator(0)

遍历res，每扫描一条数据，累加器+1

res.foreach(lambda x:accum.add(1))

输出结果

accum.value

2.编写独立应用程序实现数据去重

对于两个输入文件A和B，编写Spark独立应用程序，对两个文件进行合并，并剔除其中重复的内容，得到一个新文件C。本文给出门课的成绩（A.txt、B.txt）下面是输入文件和输出文件的一个样例，供参考。

输入文件A的样例如下：

20200101 x

20200102 y

20200103 x

20200104 y

20200105 z

20200106 z

输入文件B的样例如下：

20200101 y

20200102 y

20200103 x

20200104 z

20200105 y

根据输入的文件A和B合并得到的输出文件C的样例如下：

20200101 x

20200101 y

20200102 y

20200103 x

20200104 y

20200104 z

20200105 y

20200105 z

20200106 z

在终端输入cd /usr/local/spark切换至spark目录下

输入ls查看预备A文件和B文件是否存在

输入vim quchong.py编辑我们的独立应用程序

按:输入i进行编辑，编辑内容如下

from pyspark import SparkContext

#初始化SparkContext

sc = SparkContext('local','spark')

#加载两个文件

lines1 = sc.textFile("file:///usr/local/spark/A.txt")

lines2 = sc.textFile("file:///usr/local/spark/B.txt")

#合并两个文件的内容

lines = lines1.union(lines2)

#去重操作

distinct_lines = lines.distinct()

#排序操作

res = distinct_lines.sortBy(lambda x:x)

#将结果写入result文件中，repartition(1)的作用是让结果合并到一个文件中，不加的话>会结果写入到两个文件

res.repartition(1).saveAsTextFile("file:///usr/local/spark/result")

输入完成后按esc退出插入模式，按:输入qw保存文件并退出

在终端输入python3.8 quchong.py执行我们的独立应用程序

输入cd result切入result文件夹

输入ls查看result中的文件

输入vim part-00000查看结果文件并核对

3.编写独立应用程序实现求平均值问题

每个输入文件表示班级学生某个学科的成绩，每行内容由两个字段组成，第一个是学生名字，第二个是学生的成绩；编写Spark独立应用程序求出所有学生的平均成绩，并输出到一个新文件中。本文给出门课的成绩（Algorithm.txt、Database.txt、Python.txt），下面是输入文件和输出文件的一个样例，供参考。

Algorithm成绩：

小明 92

小红 87

小新 82

小丽 90

Database成绩：

小明 95

小红 81

小新 89

小丽 85

Python成绩：

小明 82