使用scala进行词频统计
获取数据、拆分为一个个单词、对单词进行分组、分组后使用mapValues进行统计
// TODO 1. 读取文件,获取原始数据
// line => Hello Scala
val source: BufferedSource = Source.fromFile("data/word.txt")
val lines: Array[String] = source.getLines().toArray
source.close()
// TODO 2. 将原始数据进行切分成一个一个的单词
// "Hello Scala" => "Hello", "Scala"
val words = lines.flatMap(
line => {
line.split(" ")
}
)
// TODO 3. 对分词的结果进行分组操作(相同的单词放置在一起)
// "Hello", "Hello" => { "Hello"=>List( Hello, Hello ) }
val wordGroup: Map[String, Array[String]] = words.groupBy(word => word)
// TODO 4. 对分组后的数据进行数量的统计
// 如果数据在转换时,无需对key进行操作,只对v进行处理时,可以使用mapValues方法
// { "Hello"=>List( Hello, Hello ) }
// =>
// { "Hello"=>2 }
val wordCount = wordGroup.mapValues(
v => {
v.size
}
)
// TODO 5. 将统计结果打印在控制台
println(wordCount)
优化写法
将以上其中的核心代码简写为:
val wordCount =
lines
.flatMap(_.split(" "))
.groupBy(word => word)
.mapValues(_.size)
第二种:使用reduce方法
获取数据、拆分为一个个单词、将各个单词各自化为键值对、分组、使用mapValues进行统计
val words = lines.flatMap(
line => {
line.split(" ")
}
)
val words1 = words.map((_,1))
val words2 = words1.groupBy(_._1)
val word3 = words2.mapValues(_.map(_._2).reduce(_ + _))
println(word3)
其中“_._1”中第一个"_"是指元组类型的参数,
第二个"._1"是元组的一个方法"._1"表示元组中的第一个元素。("._2"表示元组的第二个元素......)