数据清洗(Spark)
第1关:数据清洗
本关任务
基于EduCoder平台提供的初始数据集(数据集存放在 /data/workspace/myshixun/data/movies.csv 中),按照下面的要求,完成电影票房数据的清洗工作。
编程要求
- 去掉字段“上映天数”中带有“零点场”、“点映”、“展映”和“重映”的电影数据;
- 以字段“上映天数”和“当前日期”为依据,在尾列添加一个“上映日期”(releaseDate)的字段,该字段值为“当前日期”减去“上映天数”+1(格式为:2020-10-13。例如:若字段“上映天数”的值为“上映2天”,字段“当前日期”为“2020-10-10”,则字段“上映日期”的值为“2020-10-09”)。如果字段“上映天数”为空,则字段“上映日期”的值设为“往期电影”。注意:若字段“上映天数”的值为“上映首日”,则字段“上映日期”的值应设为“当前日期”的值;
- 对字段“当日综合票房”和字段“当前总票房”的数据值进行处理,以“万”为单位,通过数字形式展示,若原数据中有“万”等表示量级的汉字,需去掉量级汉字(如:“1.5亿”需转换为“15000”,“162.4万”转换为“162.4”)。转换时需注意精度缺失问题(如:使用 double、float 等类型做算术运算时,1.14 亿转换为万时,结果会出现 11399.999999999998 万,可以使用 BigDecimal 类来处理这类精度缺失问题),字段“当日综合票房”和字段“当前总票房”最后保留两位小数;
- 清洗完的数据集设置为 1 个分区后,存储到 /root/files 目录下,分隔方式为 \t。
** 注意:不要改变字段原本的顺序。 **
数据集说明
本数据集是电影票房数据,包含十个字段的信息,数据集的字段含义说明如下:
字段名 | 说明 |
---|---|
movie_name | 电影名 |
boxoffice | 当日综合票房 |
box_rate | 票房占比 |
sessions | 排片场次 |
show_count_rate | 排片占比 |
avg_number | 场均人次 |
attendance | 上座率 |
total_boxoffice | 当前总票房 |
movie_days | 上映天数 |
current_time | 当前日期 |
部分数据展示: |
盛世秧歌 7.06万 <0.1% 107 <0.1% 22 47.3% 1757.1万 展映 2019-10-16
决胜时刻 70.83万 0.6% 561 0.1% 34 21.6% 1.14亿 上映25天 2019-10-14
天池水怪 5.43万 <0.1% 55 <0.1% 30 -- 75.1万 2020-10-06
清洗后数据展示:
决胜时刻 70.83 0.6% 561 0.1% 34 21.6% 11400.0 上映25天 2019-10-14 2019-09-20
天池水怪 5.43 <0.1% 55 <0.1% 30 -- 75.1 2020-10-06 往期电影
注意事项
-
任务完成后请点击"评测"按钮,验证电影票房数据是否成功清洗,程序未通过的情况下,可以点击测试集查看具体问题;
-
本任务设置了多个测试集,通过其中任一测试集将可获得对应分数。
考核点说明
1.清洗数据后共多少行;
2.字段“上映日期”添加成功;
3.字段“当日综合票房”和字段“当前总票房”的单位处理成功。
开始你的任务吧,祝你成功!
代码:
import org.apache.log4j.Level;
import static org.apache.spark.sql.functions.substring;
import org.apache.spark.sql.functions;
import org.apache.spark.sql.Column;
import org.apache.spark.sql.Dataset;
import org.apache.spark.sql.Row;
import org.apache.spark.sql.SparkSession;
import org.apache.spark.sql.api.java.UDF1;
import org.apache.spark.sql.api.java.UDF2;
import org.apache.spark.sql.types.DataTypes;
import java.text.DecimalFormat;
import java.math.BigDecimal;
import java.text.SimpleDateFormat;
import java.util.Date;
import org.apache.log4j.Logger;
import static org.apache.commons.lang.StringUtils.substring;
public class MoviesClean {
public static void main(String[] args) {
/********** Begin **********/
SparkSession spark = SparkSession.builder().master("local").appName("MoviesClean").getOrCreate();
// 读取CSV文件,创建DataFrame,并设置列名
Dataset<Row> moviesDF = spark.read()
.option("header", false)
.option("inferSchema", true)
.csv("/data/workspace/myshixun/data/movies.csv")
.toDF("movie_name", "boxoffice", "box_rate", "sessions", "show_count_rate",
"avg_number", "attendance", "total_boxoffice", "movie_days", "current_time");
moviesDF = moviesDF.withColumn("current_time", functions.substring(functions.col("current_time"), 0, 10));
// 注册UDF处理票房数据转换
spark.udf().register("convertBoxOffice", new org.apache.spark.sql.api.java.UDF1<String, BigDecimal>() {
@Override
public BigDecimal call(String boxoffice) throws Exception {
boxoffice = boxoffice.replaceAll(",", "");
// 判断并处理 "亿" 和 "万" 的情况
BigDecimal result = null;
if (boxoffice.endsWith("亿")) {
boxoffice = boxoffice.substring(0, boxoffice.length() - 1); // 移除 "亿" 字符
BigDecimal value = new BigDecimal(boxoffice.replaceAll(",", ""));
BigDecimal multiplier = new BigDecimal("10000");
result = value.multiply(multiplier); // 扩大一万倍
} else if (boxoffice.endsWith("万")) {
boxoffice = boxoffice.substring(0, boxoffice.length() - 1); // 移除 "万" 字符
result = new BigDecimal(boxoffice.replaceAll(",", ""));
}
return result;
}
}, DataTypes.createDecimalType(20, 2));
// 注册UDF处理日期格式转换
spark.udf().register("convertDate", new UDF2<String, java.lang.String, String>() {
@Override
public String call(String movieDays, java.lang.String current_time) throws Exception {
if (movieDays == null || movieDays.isEmpty()) {
return "往期电影";
} else if (movieDays.equals("上映首日")) {
return current_time;
} else if (movieDays.contains("天")) {
int days = Integer.parseInt(movieDays.replaceAll("[^0-9]", ""));
// 将时间戳字符串解析为日期对象
SimpleDateFormat dateFormat1 = new SimpleDateFormat("yyyy-MM-dd");
Date currentDate = dateFormat1.parse(current_time);
// 获取日期对象的时间戳
long currentTime = currentDate.getTime();
SimpleDateFormat dateFormat = new SimpleDateFormat("yyyy-MM-dd");
// 减去上映天数
long releaseTime = currentTime - (long) (days-1) * 24 * 3600 * 1000;
return dateFormat.format(new Date(releaseTime));
} else {
return "往期电影";
}
}
}, DataTypes.StringType);
// 清洗数据并添加新字段
Dataset<Row> cleanedDF = moviesDF.filter("(movie_days NOT LIKE '%零点场%' OR movie_days IS NULL) AND " +
"(movie_days NOT LIKE '%点映%' OR movie_days IS NULL) AND " +
"(movie_days NOT LIKE '%展映%' OR movie_days IS NULL) AND " +
"(movie_days NOT LIKE '%重映%' OR movie_days IS NULL)")
.withColumn("releaseDate", org.apache.spark.sql.functions.callUDF("convertDate", moviesDF.col("movie_days"), moviesDF.col("current_time")))
.withColumn("boxoffice", org.apache.spark.sql.functions.callUDF("convertBoxOffice", moviesDF.col("boxoffice")))
.withColumn("total_boxoffice", org.apache.spark.sql.functions.callUDF("convertBoxOffice", moviesDF.col("total_boxoffice")));
// 将当日综合票房和当前总票房保留两位小数
cleanedDF = cleanedDF.withColumn("boxoffice", cleanedDF.col("boxoffice"))
.withColumn("total_boxoffice", cleanedDF.col("total_boxoffice"));
//
//cleanedDF.show();
// 重新分区为1个分区
cleanedDF = cleanedDF.coalesce(1);
// 写入文件
cleanedDF.write().option("delimiter", "\t").csv("/root/files");
// 停止SparkSession
spark.stop();
/********** End **********/
}
}