（补交原因忘了交）作业6；作业7；

6.RDD综合练习：更丰富的操作

集合运算联系（union\intersection\subtract\cartesian)

内连接与外连接(join\left\rightOuterJoin\fullOuterJoin)

多个考勤文件，签到日期汇总，出勤次数统计

三、综合练习：学生课程分数

网盘下载sc.txt文件，通过RDD操作实现以下数据分析:

持久化 scm.cache()

总共有多少学生？map(), distinct(), count()

开设了多少门课程？

生成（姓名，课程分数）键值对RDD，观察keys(),values()

每个学生选修了多少门课？map(), countByKey()

每门课程有多少个学生选？map(), countByValue()

有多少个100分？

Tom选修了几门课？每门课多少分？filter(), map() RDD

Tom选修了几门课？每门课多少分？map(),lookup() list

Tom的成绩按分数大小排序。filter(), map(), sortBy()

Tom的平均分。map(),lookup(),mean()

生成（姓名课程，分数）RDD，观察keys(),values()

每个分数+20平时分。
分别用mapValues(func)和 map(func)实现。
并查看不及格人数的变化。

求每门课的选修人数及平均分

lookup(),np.mean()实现

reduceByKey()和collectAsMap()实现

combineByKey()，map()，round()实现，确到2位小数

比较几种方法的异同。

7.SparkSQL

1.请分析SparkSQL出现的原因，并简述SparkSQL的起源与发展

Hadoop刚开始出来的时候，使用的是hadoop自带的分布式计算系统MapReduce，但是MapReduce的使用难度较大，所以就开发了Hive，Hive编程用的是类SQL的HQL的语句，这样编程的难度就大大的降低了，Hive的运行原理就是将HQL语句经过语法解析、逻辑计划、物理计划转化成MapReduce程序执行。当Spark出来以后，Spark团队也开发了一个Shark，就是在Spark集群上安装一个Hive的集群，执行引擎是Hive转化成Mapreduce的执行引擎，这样的框架就是Hive on Spark，但是这样是有局限性的，因为Shark的版本升级是依赖Hive的版本的，所有2014年7月1日spark团队就将Shark转给Hive进行管理，Spark团队开发了一个SparkSQL，这个计算框架就是将Hive on Spark的将SQL语句转化为Spark RDD的执行引擎换成自己团队从新开发的执行引擎。Spark SQL经历了几次的更新，演变历程如下：

-1 1.0版本以前：Hive on Spark Shark

-2 1.0.x版本：Spark SQL、Alpha版本（测试版本，不建议商业项目使用）、这个版本让Spark升为了Apache的顶级项目。

-3 1.3.x版本、SparkSQL DataFrame、Release（成熟，可以使用）

-4 spark 1.5.x版本、钨丝计划（底层代码的优化）

-5 spark 1.6.x版本、DataSet（alpha版本）

-6 Spark 2.x.x版本、DataSet（正式的）、Structrued Streaming

简述RDD 和DataFrame的联系与区别？

区别：
RDD是分布式的java对象的集合，但是对象内部结构对于RDD而言却是不可知的。
DataFrame是一种以RDD为基础的分布式数据集，提供了详细的结构信息，相当于关系数据库中的一张表。

联系：
1.都是spark平台下的分布式弹性数据集，为处理超大型数据提供便利。
2、都有惰性机制，在进行创建、转换，如map方法时，不会立即执行，只有在遇到Action才会运算。
3.都会根据spark的内存情况自动缓存运算，这样即使数据量很大，也不用担心会内存溢出
4、三者都有partition的概念。
5.三者有许多共同的函数，如filter，排序等