RDD编程初级实践
2021/6/5 14:21:13
本文主要是介绍RDD编程初级实践,对大家解决编程问题具有一定的参考价值,需要的程序猿们随着小编来一起学习吧!
RDD编程初级实践
- 一、pyspark交互式编程
- 二、编写独立应用程序实现数据去重
- 三、编写独立应用程序实现求平均值问题
一、pyspark交互式编程
本作业提供分析数据data.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;
代码如下:
lines = sc.textFile("file:///usr/local/spark/sparksqldata/data.txt") res = lines.map(lambda x:x.split(",")).map(lambda x:x[0]) sum = res.distinct() sum.count()
结果如下:
(2)该系共开设了多少门课程;
代码如下:
lines = sc.textFile("file:///usr/local/spark/sparksqldata/data.txt") res = lines.map(lambda x:x.split(",")).map(lambda x:x[1]) sum = res.distinct() sum.count()
结果如下:
(3)Tom同学的总成绩平均分是多少;
代码如下:
lines = sc.textFile("file:///usr/local/spark/sparksqldata/data.txt") res = lines.map(lambda x:x.split(",")).filter(lambda x:x[0] == 'Tom') score = res.map(lambda x:int(x[2])) sum_score = score.reduce(lambda x,y:x+y) num = res.count() avg = sum_score/num print(avg)
结果如下:
(4)求每名同学的选修的课程门数;
代码如下:
lines = sc.textFile("file:///usr/local/spark/sparksqldata/data.txt") res = lines.map(lambda x:x.split(",")).map(lambda x:(x[0],1)) each_res = res.reduceByKey(lambda x,y:x+y) each_res.foreach(print)
结果如下:
(5)该系DataBase课程共有多少人选修;
代码如下:
lines = sc.textFile("file:///usr/local/spark/sparksqldata/data.txt") res = lines.map(lambda x:x.split(",")).filter(lambda x:x[1] == 'DataBase') res.count()
结果如下:
(6)各门课程的平均分是多少;
代码如下:
lines = sc.textFile("file:///usr/local/spark/sparksqldata/data.txt") res = lines.map(lambda x:x.split(",")).map(lambda x:(x[1],(int(x[2]),1))) temp = res.reduceByKey(lambda x,y:(x[0]+y[0],x[1]+y[1])) avg = temp.map(lambda x:(x[0],round(x[1][0]/x[1][1],2))) avg.foreach(print)
结果如下:
(7)使用累加器计算共有多少人选了DataBase这门课。
代码如下:
lines = sc.textFile("file:///usr/local/spark/sparksqldata/data.txt") res = lines.map(lambda x:x.split(",")).filter(lambda x:x[0] == 'DataBase') accum = sc.accumulator(0) res.foreach(lambda x:accum.add(1)) accum.value
结果如下:
二、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。本文给出门课的成绩(A.txt、B.txt)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:
20200101 x 20200102 y 20200103 x 20200104 y 20200105 z 20200106 z
输入文件B的样例如下:
20200101 y 20200102 y 20200103 x 20200104 z 20200105 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:
20200101 x 20200101 y 20200102 y 20200103 x 20200104 y 20200104 z 20200105 y 20200105 z 20200106 z
实验步骤如下:
1,假设当前目录为/usr/local/spark/sparksqldata,在当前目录下新建一个remdup.py文件,复制下面代码;
from pyspark import SparkContext sc = SparkContext('local','remdup') lines1 = sc.textFile("file:///usr/local/spark/sparksqldata/A") lines2 = sc.textFile("file:///usr/local/spark/sparksqldata/B") lines = lines1.union(lines2) distinct_lines = lines.distinct() res = distinct_lines.sortBy(lambda x:x) res.repartition(1).saveAsTextFile("file:///usr/local/spark/sparksqldata/result/file")
2,最后在目录/usr/local/spark/sparksqldata下执行下面命令执行程序(注意执行程序时请先退出pyspark shell,否则会出现“地址已在使用”的警告);
python3 remdup.py
3,在目录/usr/local/spark/sparksqldata/result/file下即可得到结果文件part-00000。
三、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。本文给出门课的成绩(Algorithm.txt、Database.txt、Python.txt),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)
实验步骤如下:
1,假设当前目录为/usr/local/spark/sparksqldata,在当前目录下新建一个avgscore.py文件,复制下面代码;
from pyspark import SparkContext sc = SparkContext('local',' avgscore') lines1 = sc.textFile("file:///usr/local/spark/sparksqldata/Algorithm.txt") lines2 = sc.textFile("file:///usr/local/spark/sparksqldata/Database.txt") lines3 = sc.textFile("file:///usr/local/spark/sparksqldata/Python.txt") lines = lines1.union(lines2).union(lines3) distinct_lines = lines.distinct() lines4 = distinct_lines.sortBy(lambda x:x !="")//去除空行避免后面报错 data = lines4.map(lambda x:x.split(" ")).map(lambda x:(x[0],(int(x[1]),1))) res = data.reduceByKey(lambda x,y:(x[0]+y[0],x[1]+y[1])) result = res.map(lambda x:(x[0],round(x[1][0]/x[1][1],2))) result.repartition(1).saveAsTextFile("file:///usr/local/spark/sparksqldata/result1")
2,最后在目录/usr/local/spark/sparksqldata下执行下面命令执行程序(注意执行程序时请先退出pyspark shell,否则会出现“地址已在使用”的警告);
python3 avgscore.py
3,在目录/usr/local/spark/sparksqldata/result1下即可得到结果文件part-00000。
这篇关于RDD编程初级实践的文章就介绍到这儿,希望我们推荐的文章对大家有所帮助,也希望大家多多支持为之网!
- 2024-06-26结对编程到底难不难?答案在这里
- 2024-06-19《2023版Java工程师》课程升级公告
- 2024-06-15matplotlib作图不显示3D图,怎么办?
- 2024-06-1503-Loki 日志监控
- 2024-06-1504-让LLM理解知识 -Prompt
- 2024-06-05做软件测试需要懂代码吗?
- 2024-06-0514-ShardingSphere的分布式主键实现
- 2024-06-03为什么以及如何要进行架构设计权衡?
- 2024-05-31全网首发第二弹!软考2024年5月《软件设计师》真题+解析+答案!(11-20题)
- 2024-05-31全网首发!软考2024年5月《软件设计师》真题+解析+答案!(21-30题)