Apache Spark 练习二:使用Dataframe分析新冠肺炎疫情数据

本文依然延续使用《Apache Spark 练习一:使用RDD分析新冠肺炎疫情数据》中的数据进行分析。

0. 数据预处理

import org.apache.spark.sql.SparkSession

// 创建SparkSession
val spark = SparkSession
  .builder()
  .appName("Coronavirus")
  .getOrCreate()
// 导入$-记号
import spark.implicits._

// 读取源数据
val df = spark.read
  .option("header", value = true)
  .csv("hdfs:///SparkLearning/us-counties.csv")
  .withColumns(
    Map(
      "cases" -> $"cases".cast("int"),
      "deaths" -> $"deaths".cast("int")
    )
  )

1. 统计美国截止每日的累计确诊人数和累计死亡人数

val res = df
  .groupBy($"date")
  .agg(
    Map(
      "cases" -> "sum",
      "deaths" -> "sum"
    )
  )
  .withColumnRenamed("sum(cases)", "total_cases")
  .withColumnRenamed("sum(deaths)", "total_deaths")
  .sort($"date")

2. 统计截至2020.5.19,美国累计确诊人数最多的十个州

val res = df
  .filter($"date" === "2020-05-19")
  .groupBy($"state")
  .sum("cases")
  .sort($"cases")
  .tail(10)

3. 统计截止2020.5.19,全美各州的病死率

import org.apache.spark.sql.functions.round

val res = df
  .filter($"date" === "2020-05-19")
  .groupBy($"state")
  .sum("cases", "deaths")
  .withColumn("death_rate", round($"sum(deaths)" / $"sum(cases)", 4))
  .select("state", "death_rate")
  .sort($"state")

4. 统计美国每日的新增确诊人数

import org.apache.spark.sql.functions.datediff

val totalCases = df
  .groupBy($"date")
  .sum("cases")
  .withColumnRenamed("sum(cases)", "total_cases")
val newCases = totalCases
  .as("t1")
  .join(totalCases.as("t2"), datediff($"t1.date", $"t2.date") === 1)
  .withColumn("new_cases", $"t1.total_cases" - $"t2.total_cases")
  .select($"t1.date".as("date"), $"new_cases")
  .sort($"date")

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
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