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.按字母顺序排序sortByKey()
9.按词频排序 sortBy(f)
10.结果文件保存 saveAsTextFile(out_url)
11.词频结果可视化charts.WordCloud()
12.比较不同框架下(Python、MapReduce、Hive和Spark),实现词频统计思想与技术上的不同,各有什么优缺点.
二、学生课程分数案例
1.总共有多少学生?map(), distinct(), count()
2.开设了多少门课程?
3.每个学生选修了多少门课?map(), countByKey()
4.每门课程有多少个学生选?map(), countByValue()
5.Tom选修了几门课?每门课多少分?filter(), map() RDD
6.Tom选修了几门课?每门课多少分?map(),lookup() list
7.Tom的成绩按分数大小排序。filter(), map(), sortBy()
8.Tom的平均分。map(),lookup(),mean()
9.生成(课程,分数)RDD,观察keys(),values()
10.每个分数+5分。mapValues(func)
11.求每门课的选修人数及所有人的总分。combineByKey()
12.求每门课的选修人数及平均分,精确到2位小数。map(),round()
13.求每门课的选修人数及平均分。用reduceByKey()实现,并比较与combineByKey()的异同。
combineByKey是一个相对底层的基于键进行聚合的基础方法,大多数基于键聚合的方法,例如reduceByKey,groupByKey都是用它实现的。
14.结果可视化。charts,Bar()