RDD编程初级实践

来源:厦门大学大数据实验室大数据系列课程

pyspark交互式编程

请到教材官网的“下载专区”的“数据集”中下载chapter4-data1.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:

【参考答案】

  • 该系总共有多少学生;
>>> lines = sc.textFile(“file:///usr/local/spark/sparksqldata/Data01.txt”)
>>> res = lines.map(lambda x:x.split(“,”)).map(lambda x: x[0]) //获取每行数据的第1列
>>> distinct_res = res.distinct()  //去重操作
>>> distinct_res.count()//取元素总个数 //265

答案为:265人

  • 该系共开设了多少门课程;
>>> lines = sc.textFile(“file:///usr/local/spark/sparksqldata/Data01.txt”)
>>> res = lines.map(lambda x:x.split(“,”)).map(lambda x:x[1]) //获取每行数据的第2列
>>> distinct_res = res.distinct()//去重操作
>>> distinct_res.count()//取元素总个数 //8

答案为8门

  • Tom同学的总成绩平均分是多少;
>>> lines = sc.textFile(“file:///usr/local/spark/sparksqldata/Data01.txt”)
>>> res = lines.map(lambda x:x.split(“,”)).filter(lambda x:x[0]==”Tom”) //筛选Tom同学的成绩信息
>>> res.foreach(print)
>>> score = res.map(lambda x:int(x[2])) //提取Tom同学的每门成绩,并转换为int类型
>>> num = res.count() //Tom同学选课门数
>>> sum_score = score.reduce(lambda x,y:x+y) //Tom同学的总成绩
>>> avg = sum_score/num // 总成绩/门数=平均分
>>> print(avg) //30.8

Tom同学的平均分为30.8分

  • 求每名同学的选修的课程门数;
>>> lines = sc.textFile(“file:///usr/local/spark/sparksqldata/Data01.txt”)
>>> res = lines.map(lambda x:x.split(“,”)).map(lambda x:(x[0],1)) //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)
>>> each_res = res.reduceByKey(lambda x,y: x+y) //按学生姓名获取每个学生的选课总数
>>> each_res.foreach(print)

答案共265行

(‘Lewis’, 4)

(‘Mike’, 3)

(‘Walter’, 4)

(‘Conrad’, 2)

(‘Borg’, 4)

……

  • 该系DataBase课程共有多少人选修;
>>> lines = sc.textFile(“file:///usr/local/spark/sparksqldata/Data01.txt”)
>>> res = lines.map(lambda x:x.split(“,”)).filter(lambda x:x[1]==”DataBase”)
>>> res.count() //126

答案为126人

  • 各门课程的平均分是多少;
>>> lines = sc.textFile(“file:///usr/local/spark/sparksqldata/Data01.txt”)
>>> res = lines.map(lambda x:x.split(“,”)).map(lambda x:(x[1],(int(x[2]),1))) //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。格式如(‘ComputerNetwork’, (44, 1))
>>> temp = res.reduceByKey(lambda x,y:(x[0]+y[0],x[1]+y[1])) //按课程名聚合课程总分和选课人数。格式如(‘ComputerNetwork’, (7370, 142))
>>> avg = temp.map(lambda x:(x[0], round(x[1][0]/x[1][1],2)))//课程总分/选课人数 = 平均分,并利用round(x,2)保留两位小数
>>> avg.foreach(print)

答案为:

(‘ComputerNetwork’, 51.9)

(‘Software’, 50.91)

(‘DataBase’, 50.54)

(‘Algorithm’, 48.83)

(‘OperatingSystem’, 54.94)

(‘Python’, 57.82)

(‘DataStructure’, 47.57)

(‘CLanguage’, 50.61)

(7)使用累加器计算共有多少人选了DataBase这门课。

>>> lines = sc.textFile(“file:///usr/local/spark/sparksqldata/Data01.txt”)
>>> res = lines.map(lambda x:x.split(“,”)).filter(lambda x:x[1]==”DataBase”)//筛选出选了DataBase课程的数据
>>> accum = sc.accumulator(0) //定义一个从0开始的累加器accum
>>> res.foreach(lambda x:accum.add(1))//遍历res,每扫描一条数据,累加器加1
>>> accum.value //输出累加器的最终值 //126

答案:共有126人

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。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:

20170101    x

20170102    y

20170103    x

20170104    y

20170105    z

20170106    z

输入文件B的样例如下:

20170101    y

20170102    y

20170103    x

20170104    z

20170105    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:

20170101    x

20170101    y

20170102    y

20170103    x

20170104    y

20170104    z

20170105    y

20170105    z

20170106    z

【参考答案】

  实验答案参考步骤如下:

(1)假设当前目录为/usr/local/spark/mycode/remdup,在当前目录下新建一个remdup.py文件,复制下面代码;
from pyspark import SparkContext
#初始化SparkContext
sc = SparkContext('local','remdup')
#加载两个文件A和B
lines1 = sc.textFile("file:///usr/local/spark/mycode/remdup/A")
lines2 = sc.textFile("file:///usr/local/spark/mycode/remdup/B")
#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/mycode/remdup/result")
(2)最后在目录/usr/local/spark/mycode/remdup下执行下面命令执行程序(注意执行程序时请先退出pyspark shell,否则会出现“地址已在使用”的警告);
$ python3 remdup.py
(3)在目录/usr/local/spark/mycode/remdup/result下即可得到结果文件part-00000。

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。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)

【参考答案】

实验答案参考步骤如下:

(1)假设当前目录为/usr/local/spark/mycode/avgscore,在当前目录下新建一个avgscore.py,复制下面代码;
from pyspark import SparkContext
#初始化SparkContext
sc = SparkContext('local',' avgscore')
#加载三个文件Algorithm.txt、Database.txt和Python.txt
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")
#合并三个文件的内容
lines = lines1.union(lines2).union(lines3)
#为每行数据新增一列1,方便后续统计每个学生选修的课程数目。data的数据格式为('小明', (92, 1))
data = lines.map(lambda x:x.split(" ")).map(lambda x:(x[0],(int(x[1]),1)))
#根据key也就是学生姓名合计每门课程的成绩,以及选修的课程数目。res的数据格式为('小明', (269, 3))
res = data.reduceByKey(lambda x,y:(x[0]+y[0],x[1]+y[1]))
#利用总成绩除以选修的课程数来计算每个学生的每门课程的平均分,并利用round(x,2)保留两位小数
result = res.map(lambda x:(x[0],round(x[1][0]/x[1][1],2)))
#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三个文件
result.repartition(1).saveAsTextFile("file:///usr/local/spark/mycode/avgscore/result")

发表评论

邮箱地址不会被公开。 必填项已用*标注