本文共 4431 字,大约阅读时间需要 14 分钟。
(1)熟悉Spark的RDD基本操作及键值对操作;
(2)熟悉使用RDD编程解决实际具体问题的方法。操作系统:Ubuntu16.04
Spark版本:2.4.0 Python版本:3.4.3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,80Tom,Algorithm,50Tom,DataStructure,60Jim,DataBase,90Jim,Algorithm,60Jim,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;
(2)该系共开设了多少门课程; (3)Tom同学的总成绩平均分是多少; (4)求每名同学的选修的课程门数; (5)该系DataBase课程共有多少人选修 (6)各门课程的平均分是多少; (7)使用累加器计算共有多少人选了DataBase这门课。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
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 小红 83 小新 94 小丽 91
平均成绩如下:
(小红,83.67) (小新,88.33) (小明,89.67) (小丽,88.67)
1、数据导入
2、根据给定的实验数据,在pyspark中通过编程来计算以下内容在/usr/local/spark目录下创建一个sparksqldata文件夹,并将data.txt放进去
(1)该系总共有多少学生;
关键代码
lines= sc.textFile("file:///usr/local/spark/sparksqldata/data.txt")res = lines.map(lambda x:x.split(",")).map(lambda x:x[0])sum = res.distinct()sum.count()
实验结果
(2)该系共开设了多少门课程;
关键代码
lines= sc.textFile("file:///usr/local/spark/sparksqldata/data.txt")res = lines.map(lambda x:x.split(",")).map(lambda x:x[1])sum = res.distinct()sum.count()
实验结果
(3)Tom同学的总成绩平均分是多少;
关键代码
lines= sc.textFile("file:///usr/local/spark/sparksqldata/data.txt")res = lines.map(lambda x:x.split(",")).filter(lambda x:x[0]=='Tom')res.foreach(print)score=res.map(lambda x:int(x[2]))sum_score=score.reduce(lambda x,y:x+y)num=res.count()avg = sum_score/numprint(avg)
实验结果
(4)求每名同学的选修的课程门数;
关键代码
lines= sc.textFile("file:///usr/local/spark/sparksqldata/data.txt")res = lines.map(lambda x:x.split(",")).map(lambda x:(x[0],1))each_res = res.reduceByKey(lambda x,y:x+y)each_res.foreach(print)
实验结果
(5)该系DataBase课程共有多少人选修
关键代码
lines= sc.textFile("file:///usr/local/spark/sparksqldata/data.txt")res=lines.map(lambda x:x.split(",")).filter(lambda x:x[1]=='DataBase')res.count()
实验结果
(6)各门课程的平均分是多少;
关键代码
lines= sc.textFile("file:///usr/local/spark/sparksqldata/data.txt")res = lines.map(lambda x:x.split(",")).map(lambda x:(x[1],(int(x[2]),1)))temp = res.reduceByKey(lambda x,y:(x[0]+y[0],x[1]+y[1]))avg = temp.map(lambda x:(x[0],round(x[1][0]/x[1][1],2)))avg.foreach(print)
实验结果
(7)使用累加器计算共有多少人选了DataBase这门课。
关键代码
lines= sc.textFile("file:///usr/local/spark/sparksqldata/data.txt")res = lines.map(lambda x:x.split(",")).filter(lambda x:x[1]=="DataBase")accum = sc.accumulator(0)res.foreach(lambda x:accum.add(1))accum.value
实验结果
1、数据导入
2、在当前目录下新建一个remdup.py文件 3、在remdup.py里进行编写程序将A.txt B.txt 导入/usr/local/spark/mycode/remdup目录下
from pyspark import SparkContextsc = SparkContext('local','remdup')lines1 = sc.textFile("file:///usr/local/spark/mycode/remdup/A.txt")lines2 = sc.textFile("file:///usr/local/spark/mycode/remdup/B.txt")lines = lines1.union(lines2)distinct_lines = lines.distinct()res = distinct_lines.sortBy(lambda x:x)res.repartition(1).saveAsTextFile("file:///usr/local/spark/mycode/remdup/C.txt")
4、运行程序
5、查看结果进入/usr/local/spark/mycode/remdup目录下
1、数据导入
将Algorithm.txt、Database.txt、Python.txt 导入/usr/local/spark/mycode/avgscore目录下
2.在当前目录下新建一个avgscore.py文件
3、在avgscore.py里进行编写程序from pyspark import SparkContextsc= SparkContext('local','avgscore')lines1 = sc.textFile("file:///usr/local/spark/mycode/avgscore/Algorithm.txt")lines2 = sc.textFile("file:///usr/local/spark/mycode/avgscore/Database.txt")lines3 = sc.textFile("file:///usr/local/spark/mycode/avgscore/Python.txt")lines = lines1.union(lines2).union(lines3)distinct_lines = lines.distinct()lines4 = distinct_lines.sortBy(lambda x:x).filter(bool)data = lines4.map(lambda x:x.split(" ")).map(lambda x:(x[0],(int(x[1]),1)))res = data.reduceByKey(lambda x,y:(x[0]+y[0],x[1]+y[1]))result = res.map(lambda x:(x[0],round(x[1][0]/x[1][1],2)))result.repartition(1).saveAsTextFile("file:///usr/local/spark/mycode/avgscore/result")
4、运行程序
5、查看结果进入/usr/local/spark/mycode/avgscore目录下
转载地址:http://iixvi.baihongyu.com/