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.每门课程有多少个学生选？
6.每门课程大于95分的学生人数？
7.Tom选修了几门课？
8.Tom每门课多少分？
9.Tom的成绩按分数大小排序。
10.Tom的平均分。
11.求每门课的平均分，最高分，最低分。
每门课的平均分：
每门课的最高分：
每门课的最低分：
12.求每门课的选修人数及平均分，精确到2位小数。
13.每门课的不及格人数，通过率
二、用SQL语句完成以上数据分析要求
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.每门课程有多少个学生选？
6.每门课程大于95分的学生人数？
7.Tom选修了几门课？
8.每门课多少分？
9.Tom的成绩按分数大小排序
10.Tom的平均分
11.求每门课的平均分，最高分，最低分
12.求每门课的选修人数及平均分，精确到2位小数
13.每门课的不及格人数
三、对比分别用RDD操作实现、用DataFrame操作实现和用SQL语句实现的异同。(比较两个以上问题)
RDD API是函数式的，强调不变性，在大部分场景下倾向于创建新对象而不是修改老对象。这一特点虽然带来了干净整洁的API，却也使得Spark应用程序在运行期倾向于创建大量临时对象，对GC造成压力。在现有RDD API的基础之上，我们固然可以利用mapPartitions方法来重载RDD单个分片内的数据创建方式，用复用可变对象的方式来减小对象分配和GC的开销，但这牺牲了代码的可读性，而且要求开发者对Spark运行时机制有一定的了解，门槛较高。另一方面，Spark SQL在框架内部已经在各种可能的情况下尽量重用对象，这样做虽然在内部会打破了不变性，但在将数据返回给用户时，还会重新转为不可变数据。
四、结果可视化。
