Spark数据分析之第2课

本课主要介绍对类别变量基数相对小的数据创建直方图，比如本课中对匹配和不匹配的记录数统计。


#读取HDFS文件并创建RDD
scala> val rawblocks = sc.textFile("/linkage")
rawblocks: org.apache.spark.rdd.RDD[String] = /linkage MapPartitionsRDD[1] at textFile at <console>:27


#定义判断行中是否包含指定字符串的函数
scala> def isHeader(line:String) = line.contains("id_1")
isHeader: (line: String)Boolean


#但是通过下标访问不是很好理解，下面介绍如何通过字段名称来访问
#case class提供这种功能，case class是不可变类的一种简单类型，内置了所有Java类的基本方法，比如toString,equals和hashCode
scala> case class MatchData(id1: Int, id2: Int, scores: Array[Double], matched: Boolean)
defined class MatchData


#写一个函数处理，遇到? 时返回NaN
def toDouble(s: String) = {
    if ("?".equals(s)) Double.NaN else s.toDouble
}


#修改parse方法，以返回MatchData实例
def parse(line: String) = {
    val pieces = line.split(",")
    val id1 = pieces(0).toInt
    val id2 = pieces(1).toInt
    val scores = pieces.slice(2,11).map(toDouble)
    val matched = pieces(11).toBoolean
    MatchData(id1,id2,scores,matched)
}


#应用到/linkage目录下面的所有数据上
scala> val mds = rawblocks.filter(x => !isHeader(x)).map(x => parse(x))
mds: org.apache.spark.rdd.RDD[MatchData] = MapPartitionsRDD[3] at map at <console>:37


scala> mds.take(1)
res0: Array[MatchData] = Array(MatchData(37291,53113,[D@1d5e1c6f,true))


#下面我们针对上面的RDD进行groupBy聚合操作，获得Scala Map[Boolean,Array[MatchData]]，其中键值基于MatchData类的字段matched
scala> val grouped = mds.groupBy(md => md.matched)
grouped: org.apache.spark.rdd.RDD[(Boolean, Iterable[MatchData])] = ShuffledRDD[5] at groupBy at <console>:39


#使用mapValues得到计数
scala> grouped.mapValues(x => x.size)
res5: org.apache.spark.rdd.RDD[(Boolean, Int)] = MapPartitionsRDD[14] at mapValues at <console>:42


scala> grouped.mapValues(x => x.size).foreach(println)
(false,5728201)                                                                  
(true,20931)




#创建直方图
RDD[T]类已经定义了一个名为countByValue的动作，该动作对于计数类运算效率非常高，它向客户端返回Map[T,Long]类型的结果。
对MatchData记录中的matched字段映射调用countByValue会执行一个Spark作业，并向客户端返回结果。
scala> val nohead = rawblocks.filter(x => !isHeader(x))
nohead: org.apache.spark.rdd.RDD[String] = MapPartitionsRDD[24] at filter at <console>:31


scala> val parsed = nohead.map(line => parse(line))
parsed: org.apache.spark.rdd.RDD[MatchData] = MapPartitionsRDD[25] at map at <console>:39


scala> parsed.cache()
res17: parsed.type = MapPartitionsRDD[25] at map at <console>:39


scala> val matchCounts = parsed.map(md => md.matched).countByValue()
matchCounts: scala.collection.Map[Boolean,Long] = Map(true -> 20931, false -> 5728201)


Scala的Map类没有提供根据内容的键或值排序的方法，但是我们可以将Map转换成Scala的Seq类型，而Seq类支持排序。Scala的Seq类和Java的List接口类似，都是
可迭代集合，即具有确定的长度并且可以根据下标来查找值:
scala> val matchCountSeq = matchCounts.toSeq
matchCountSeq: Seq[(Boolean, Long)] = ArrayBuffer((true,20931), (false,5728201))


#使用sortBy方法控制排序方式，默认情况下，对数值按升序排序，通过使用序列上的reverse方法，达到降序排序
scala> matchCountSeq.sortBy(_._1).foreach(println)
(false,5728201)
(true,20931)


scala> matchCountSeq.sortBy(_._2).foreach(println)
(true,20931)
(false,5728201)


scala> matchCountSeq.sortBy(_._2).reverse.foreach(println)
(false,5728201)
(true,20931)

摘自《Spark高级数据分析》