美国新冠肺炎疫情数据利用spark进行数据分析并对结果可视化操作

--------------------------------背景需求-----------------------------

本案例以2020年美国新冠肺炎疫情数据作为数据集，以Python为编程语言，使用Spark对数据进行分析，并对分析结果进行可视化。

一、安装实验环境

1.Linux： Ubuntu 16.04
2.Hadoop：3.1.3
3.Python: 3.5
4.Spark: 2.4.0
5.Jupyter Notebook
6.java 1.8

二、下载数据集

(1)数据集来源

       本次作业使用的数据集来自数据网站Kaggle的美国新冠肺炎疫情数据集该数据集以数据表us-counties.csv组织，其中包含了美国发现首例新冠肺炎确诊病例至今（2020-05-19）的相关数据。数据包含以下字段： 字段名称 字段含义 例子 date 日期 2020/1/21；2020/1/22；etc county 区县（州的下一级单位） Snohomish； state 州 Washington cases 截止该日期该区县的累计确诊人数 1,2,3… deaths 截止该日期该区县的累计确诊人数 1,2,3…

(2)格式转换

原始数据集是以.csv文件组织的，将us-counties.csv转换为.txt格式文件us-counties.txt。具体代码如下：

import pandas as pd
 
#.csv->.txt
data = pd.read_csv('/home/hadoop/us-counties.csv')
with open('/home/hadoop/us-counties.txt','a+',encoding='utf-8') as f:
    for line in data.values:
        f.write((str(line[0])+'\t'+str(line[1])+'\t'
                +str(line[2])+'\t'+str(line[3])+'\t'+str(line[4])+'\n'))

进入Ubuntu系统的/usr/local/hadoop目录下，查看是否成功转换成TXT文件

(3)将文件上传至HDFS文件系统中

启用hadoop并查看是否启动成功，具体代码如下：

./sbin/start-dfs.sh
JPS

在HDFS文件系统中，创建/user/hadoop文件夹，用于存放运行结果文件，具体代码如下：

./bin/hdfs dfs -mkdir -p /user/hadoop
./bin/hdfs dfs -put /usr/local/hadoop/data/us-counties.txt /user/hadoop

三、使用Spark对数据进行分析

(1)读取文件生成DataFrame

from pyspark import SparkConf,SparkContext
from pyspark.sql import Row
from pyspark.sql.types import *
from pyspark.sql import SparkSession
from datetime import datetime
import pyspark.sql.functions as func
 
def toDate(inputStr):
    newStr = ""
    if len(inputStr) == 8:
        s1 = inputStr[0:4]
        s2 = inputStr[5:6]
        s3 = inputStr[7]
        newStr = s1+"-"+"0"+s2+"-"+"0"+s3
    else:
        s1 = inputStr[0:4]
        s2 = inputStr[5:6]
        s3 = inputStr[7:]
        newStr = s1+"-"+"0"+s2+"-"+s3
    date = datetime.strptime(newStr, "%Y-%m-%d")
    return date
 
 
#主程序:
spark = SparkSession.builder.config(conf = SparkConf()).getOrCreate()
 
fields = [StructField("date", DateType(),False),StructField("county", StringType(),False),StructField("state", StringType(),False),
                    StructField("cases", IntegerType(),False),StructField("deaths", IntegerType(),False),]
schema = StructType(fields)
 
rdd0 = spark.sparkContext.textFile("/user/hadoop/us-counties.txt")
rdd1 = rdd0.map(lambda x:x.split("\t")).map(lambda p: Row(toDate(p[0]),p[1],p[2],int(p[3]),int(p[4])))
 
shemaUsInfo = spark.createDataFrame(rdd1,schema)
 
shemaUsInfo.createOrReplaceTempView("usInfo&