1. Spark 为 RDD 提供的成员函数
-
.stats():包括(count:计数,mean:均值,stdev:标准差,max:最大,min:最小值)
-
countByValue:执行统计计数
根据值统计出现的次数;
scala> val animals = sc.parallelize(List("Dog", "Cat", "Tiger", "Cat"), 2) scala> animals.countByValue() scala.collection.Map[String,Long] = Map(Dog -> 1, Cat -> 2, Tiger -> 1)
该成员函数更重要的意义在于,将数据从
org.apache.spark.rdd.RDD[String] = ParallelCollectionRDD[8]
类型变为了:
scala.collection.Map[String,Long] = Map(Dog -> 1, Cat -> 2, Tiger -> 1)
2. 基本操作
val rawblocks = sc.textFile("linkage")
rawblocks
val head = rawblocks.take(10)
head.length
head.foreach(println)
# 函数式编程
# 将函数 println 作为参数传递给另一个函数以执行某个动作
声明函数
def isHeader(line: String) = line.contains("id_1")
# 和 Python 类似,Scala 声明函数使用关键字 def
# 和 Python 不同的是,我们必须为参数指定参数类型
# 函数返回值无需指定类型,使用类型推断
有时候我们希望能显式地指明函数返回类型,特别是碰到函数体很长,代码复杂并且包含多个 return 语句的情况。这时,Scala 编译器不一定能推断出函数的返回类型,为了函数代码的可读性更好,也可以指明函数的返回类型。这样在阅读代码的时候,就不必重新把整个函数读一遍了。
def isHeader(line: String): Boolean = {
line.contains("id_1");
}
通过用 Scala 的 Array 类的 filter 方法打印输出结果,可以在 head 数组上测试新编写的 Scala 函数:
head.filter(isHeader).foreach(println)
head.filterNot(isHeader).foreach(println)
还可以利用 Scala 对匿名函数的支持,在 filter 函数里面对 isHeader 函数取非:
head.filter(x => !isHeader(x)).foreach(println)
Scala 程序员最讨厌的就是键盘输入,因此 Scala 设计了许多小功能来减少输入,比如在匿名函数的定义中,为了定义匿名函数并给参数指定名称,只输入了字符 x => 。但像这么简单的匿名函数,甚至都没必要这么做:Scala 允许使用下划线_
(正如 Python 迭代时,for _ in range(n)
)表示匿名函数的参数,也即这样:
head.filter(!isHeader(_)).foreach(println)
3. 用元组和 case class 对数据进行结构化
和 Python 一样,Scala 有内置 tuple 类型,可用于快速创建二元组,三元组和更多不同类型数值的集合,是一种表示记录的简单方法。
val line = head(5)
val pieces = line.split(',')
注意访问数组元素时用圆括号而不是方括号,Scala 语言访问数组元素是函数调用,不是什么特殊操作符。Scala 允许在类里定义一个特殊函数 apply,当把对象当作函数处理的时候,这个 apply 函数就会被调用,所以 head(5) 其实等价与 head.apply(5).
def toDouble(s: String) = {
if ("?".equals(s)) Double.NaN else s.toDouble
}
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
(id1, id2, scores, matched)
}