RDD编程初级实践

1．pyspark交互式编程

请到教材官网的“下载专区”的“数据集”中下载chapter4-data1.txt，该数据集包含了某大学计算机系的成绩，数据格式如下所示：

Tom,DataBase,80 Tom,Algorithm,50 Tom,DataStructure,60 Jim,DataBase,90 Jim,Algorithm,60 Jim,DataStructure,80 ……

请根据给定的实验数据，在pyspark中通过编程来计算以下内容：

（1）该系总共有多少学生；

（2）该系共开设了多少门课程；

（3）Tom同学的总成绩平均分是多少；

（4）求每名同学的选修的课程门数；

（5）该系DataBase课程共有多少人选修；

（6）各门课程的平均分是多少；

（7）使用累加器计算共有多少人选了DataBase这门课。

2.编写独立应用程序实现数据去重

对于两个输入文件A和B，编写Spark独立应用程序，对两个文件进行合并，并剔除其中重复的内容，得到一个新文件C。下面是输入文件和输出文件的一个样例，供参考。

输入文件A的样例如下：

20170101    x

20170102    y

20170103    x

20170104    y

20170105    z

20170106    z

输入文件B的样例如下：

20170101    y

20170102    y

20170103    x

20170104    z

20170105    y

根据输入的文件A和B合并得到的输出文件C的样例如下：

20170101    x

20170101    y

20170102    y

20170103    x

20170104    y

20170104    z

20170105    y

20170105    z

20170106    z

3.编写独立应用程序实现求平均值问题

每个输入文件表示班级学生某个学科的成绩，每行内容由两个字段组成，第一个是学生名字，第二个是学生的成绩；编写Spark独立应用程序求出所有学生的平均成绩，并输出到一个新文件中。下面是输入文件和输出文件的一个样例，供参考。

Algorithm成绩：

小明 92

小红 87

小新 82

小丽 90

Database成绩：

小明 95

小红 81

小新 89

小丽 85

Python成绩：

小明 82

小红 83

小新 94

小丽 91

平均成绩如下：

    (小红,83.67)

    (小新,88.33)

    (小明,89.67)

    (小丽,88.67)

 

• 实验结果与分析

1. pyspark交互式编程

0.先启动pyspark

 

（1）该系总共有多少学生；

 

总共265名学生

 

（2）该系共开设了多少门课程；

 

取出第二列课程数据，进行去重操作

 

（3）Tom同学的总成绩平均分是多少；

先取出tom同学的成绩

再取出成绩列，统计课程数量，再对分数用reduce函数求和，最后求出平均分。

（4）求每名同学的选修的课程门数；

取出每位同学的名字并且通过map函数形成键值对形式，键为名字，值为1.

再用reducebykey函数应用于键值对数据，得到聚合的结果。

 

 

 

（5）该系DataBase课程共有多少人选修；

直接用filter函数将数据库课程过滤出

 

 

（6）各门课程的平均分是多少；

为每门课程的分数后面新增一列1，表示1个学生选择了该课程。

格式如('ComputerNetwork', (44, 1))

再按课程名聚合课程总分和选课人数。格式如('ComputerNetwork', (7370, 142))

最后：课程总分/选课人数 = 平均分，并利用round(x,2)保留两位小数

 

2.编写独立应用程序实现数据去重

实现两个文件合并并且去重：

在mycode/data目录下创建两个txt文件

 

在当前目录下创建py文件，填写如下内容实现两个文件的合并去重

 

在当前目录下运行

 

结果如下：

 

 

3.编写独立应用程序实现求平均值问题

多个文件合并实现求平均值：

在data目录下创建三个成绩的文件

 

在data目录下创建mean.py文件，并添加如下代码：

 

 

运行

 

成功