2021-06-10

3.实验需求
3.1 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；
（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。
3.2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
3.3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
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.实验过程及结果
4.1 pyspark交互式编程
（1）该系总共有多少学生；

图4.1.1 pyspark

图4.1.2 该系总共有265名学生
（2）该系共开设了多少门课程；

图4.1.3 该系共开设了8门课程
（3）Tom同学的总成绩平均分是多少；

图4.1.4 计算Tom同学的总成绩平均分的代码

图4.1.5 Tom同学的总成绩平均分是30.8

（4）求每名同学的选修的课程门数；

图4.1.6 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；

图4.1.7 该系DataBase课程共有1764人选修
（6）各门课程的平均分是多少；

图4.1.8 各门课程的平均分
（7）使用累加器计算共有多少人选了DataBase这门课。

图4.1.9 使用累加器计算共有1764人选了DataBase这门课
4.2 编写独立应用程序实现数据去重
4.2.1在当前目录/usr/local/spark/mycode/remdup新建一个remdup.py文件

图4.2.1编辑各文件

4.2.2在目录/usr/local/spark/mycode/remdup下执行python3 remdup.py

图4.2.2 执行成功

图4.2.3 remdup.py内容

4.2.4在usr/local/spark/mycode/remdup/result$vim part-00000

图4.2.4 vim part-00000

图4.2.5 part-00000文件内容

4.3 编写独立应用程序实现求平均值问题
4.3.1在当前目录/usr/local/spark/mycode/avgscore下新建一个avgscore.py

图4.3.1编辑各类文件

图4.3.2执行avgscore.py

图4.3.3得到part-00000

图4.3.4 avgscore.py内容

图4.3.5 part-00000内容