Spark统计词汇量/排行榜/中位数

9 篇文章 0 订阅

简介

使用python调用spark的api接口很方便,代码简洁。
首先要安装python、pip、pyspark。

pip install pyspark

数据格式

words.txt

word1
word2
word3
...

统计词汇量

wordcount.py

# -*- coding:utf-8 -*-

from pyspark import SparkConf, SparkContext

conf = SparkConf().set("Spark.ui.showConsoleProgress", "false")
sc = SparkContext(master="spark://192.168.0.166:7077", appName="Spark word count", conf=conf)

data_file = sc.textFile("words.txt")
result = data_file.map(lambda x: x.split("\t")[0]).map(lambda x: (x, 1)).reduceByKey(lambda x, y: x+y)
print result.collect()

统计排行榜

# -*- coding:utf-8 -*-

from pyspark import SparkConf, SparkContext
import heapq

conf = SparkConf().set("Spark.ui.showConsoleProgress", "false")
sc = SparkContext(master="spark://192.168.0.166:7077", appName="Spark topk", conf=conf)

data_file = sc.textFile("words.txt")
result = data_file.map(lambda x: x.split("\t")[0]).map(lambda x: (x, 1)).reduceByKey(lambda x, y: x+y)
topn = 10
par_topk = result.mapPartitions(lambda elements: heapq.nlargest(topn, elements, key=lambda e: e[1]))
final_result = heapq.nlargest(topn, par_topk.collect(), key=lambda e: e[1])
print final_result

统计中位数

# -*- coding:utf-8 -*-

from pyspark import SparkConf, SparkContext

conf = SparkConf().set("Spark.ui.showConsoleProgress", "false")
sc = SparkContext(master="spark://192.168.0.166:7077", appName="Spark median", conf=conf)

sorted_array = sc.parallelize(range(100), 10)

# 对排序数组进行分组,分组的数量和数据量相关
group_element = sorted_array.map(lambda e: (e/10, e)).sortByKey()
# 统计每个分组的元素个数
group_element_count = sorted_array.map(lambda e: (e/10, 1)).reduceByKey(lambda x, y: x+y).sortByKey()
group_element_count_map = group_element_count.collectAsMap()
# 算出总的元素个数
element_count = group_element_count.map(lambda (k, v): v).sum()

temp = 0
index = 0
mid = 0
temp2 = 0
if element_count % 2 != 0:
    mid=element_count / 2 + 1
else:
    mid = element_count / 2
pcount = group_element_count.count()
for i in range(pcount):
    temp = temp + group_element_count_map[i]
    temp2 = temp - group_element_count_map[i]
    if temp >= mid:
        # 得到中位的index
        index=i
        break
offset = mid-temp2
result = group_element.filter(lambda (k, v): k == index).takeOrdered(offset)

print result

参考

  • 1
    点赞
  • 3
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

小龙在山东

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值