RDD编程初级实践（基于python）

1.需求描述

（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。

1.1pyspark交互式编程

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。

1.2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。

1.3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。

2.环境介绍

(1)操作系统：Ubuntu16.04
(2)Spark版本：2.4.0
(3)Python版本：3.4.3

3.实验及数据来源分析

3.1pyspark交互式编程

这一实验采用分析数据data.txt点击链接下载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
……

3.2编写独立应用程序实现数据去重

本次试验采用给出的每门课成绩（A.txt、B.txt）点击下载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

3.3编写独立应用程序实现求平均值问题

本次实验给出门课的成绩（Algorithm.txt、Database.txt、Python.txt）点击下载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)

4.实验步骤

4.1pyspark交互式编程

1.将实验分析数据data.txt下载并放在usr/local/spark目录下
2.打开终端，进入spark
3.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；
实现代码：

>>> lines = sc.textFile("file:///usr/local/spark/data.txt")
>>> res = lines.map(lambda x:x.split(",")).map(lambda x:x[0])