2021年6月5日
摘要: 大作业: 1.选择使用什么数据,有哪些字段,多大数据量。 选择使用2020/1/21到2020/5/19这段时间的美新冠数据进行分析,字段有date(日期)、county(县)、state(州)、cases(案例)、deaths(死亡人数),数据量为158981条数据。 2.准备分析哪些问题?(8个 阅读全文
posted @ 2021-06-05 16:26 多吃外卖 阅读(24) 评论(0) 推荐(0) 编辑
  2021年5月30日
摘要: 一、spark连接mysql数据库 1.安装启动检查Mysql服务。 netstat -tunlp (3306) 2.spark 连接mysql驱动程序。 –cp /usr/local/hive/lib/mysql-connector-java-5.1.40-bin.jar /usr/local/s 阅读全文
posted @ 2021-05-30 01:26 多吃外卖 阅读(17) 评论(0) 推荐(0) 编辑
  2021年5月19日
摘要: 读学生课程分数文件chapter4-data01.txt,创建DataFrame: 一、用DataFrame的操作或SQL语句完成以下数据分析要求,并和用RDD操作的实现进行对比: 1.每个分数+5分。 2.总共有多少学生? 3.总共开设了哪些课程? 4.每个学生选修了多少门课? 5.每门课程有多少 阅读全文
posted @ 2021-05-19 11:49 多吃外卖 阅读(44) 评论(0) 推荐(0) 编辑
  2021年5月14日
摘要: 1.pandas df 与 spark df的相互转换 df_s=spark.createDataFrame(df_p) df_p=df_s.toPandas() 2. Spark与Pandas中DataFrame对比 http://www.lining0806.com/spark%E4%B8%8E 阅读全文
posted @ 2021-05-14 19:13 多吃外卖 阅读(30) 评论(0) 推荐(0) 编辑
  2021年5月9日
摘要: 1.Spark SQL出现的 原因是什么? Shark是Spaek SQL的前身,Shark提供了类似于Hive的功能,与Hive不同的是,Shark把SQL语句转换成Spark作业,而不是MapReduce作业,Shark的设计导致了两个问题:(1)执行计划优化完全依赖于Hive,不便于添加新的优 阅读全文
posted @ 2021-05-09 17:21 多吃外卖 阅读(37) 评论(0) 推荐(0) 编辑
  2021年4月18日
摘要: 一、词频统计: 1.读文本文件生成RDD lines 2.将一行一行的文本分割成单词 words flatmap() 3.全部转换为小写 lower() 4.去掉长度小于3的单词 filter() 5.去掉停用词 6.转换成键值对 map() 7.统计词频 reduceByKey() 8.按字母顺序 阅读全文
posted @ 2021-04-18 20:52 多吃外卖 阅读(42) 评论(0) 推荐(0) 编辑
  2021年4月4日
摘要: 一、词频统计: 1.读文本文件生成RDD lines 2.将一行一行的文本分割成单词 words flatmap() 3.全部转换为小写 lower() 4.去掉长度小于3的单词 filter() 5.去掉停用词 6.转换成键值对 map() 7.统计词频 reduceByKey() 二、学生课程分 阅读全文
posted @ 2021-04-04 22:57 多吃外卖 阅读(38) 评论(0) 推荐(0) 编辑
  2021年3月30日
摘要: 一、filter,map,flatmap练习: 1.读文本文件生成RDD lines 2.将一行一行的文本分割成单词 words 3.全部转换为小写 4.去掉长度小于3的单词 5.去掉停用词 二、groupByKey练习 1.练习一的生成单词键值对 2.对单词进行分组 3.查看分组结果 学生科目成绩 阅读全文
posted @ 2021-03-30 23:45 多吃外卖 阅读(30) 评论(0) 推荐(0) 编辑
  2021年3月27日
摘要: 1. 准备文本文件: 从文件创建RDD lines=sc.textFile(): 筛选出含某个单词的行 lines.filter(),lambda 参数:条件表达式: 2. 生成单词的列表: 从列表创建RDD words=sc.parallelize(): 筛选出长度大于2 的单词 words.fi 阅读全文
posted @ 2021-03-27 20:19 多吃外卖 阅读(32) 评论(0) 推荐(0) 编辑
  2021年3月13日
摘要: 1. 阐述Hadoop生态系统中,HDFS, MapReduce, Yarn, Hbase及Spark的相互关系,为什么要引入Yarn和Spark。 Hadoop分布式文件系统(HDFS)是针对谷歌分布式文件系统的开源实现,它是Hadoop两大核心组成部分之一,提供了在廉价服务器集群中进行大规模分布 阅读全文
posted @ 2021-03-13 19:58 多吃外卖 阅读(34) 评论(0) 推荐(0) 编辑