08 学生课程分数的Spark SQL分析

 

1.生成“表头”

from pyspark.sql.types import IntegerType,StringType,StructField,StructType
from pyspark.sql import Row
fields=[StructField('name',StringType(),True),StructField('course',StringType(),True),StructField('score',IntegerType(),True)]
schema=StructType(fields)
schema

2.生成“表中的记录”

chapter=sc.textFile('file:///home/hadoop/chapter4-data01.txt').map(lambda x:x.split(','))
chapter.take(3)
data=chapter.map(lambda p:Row(p[0],p[1],int(p[2])))

3.把“表头”和“表中的记录”拼装在一起

df_scs=spark.createDataFrame(data,schema)

df_scs.printSchema()

二、用SQL语句完成以下数据分析要求

必须把DataFrame注册为临时表

df_scs.createOrReplaceTempView('scs')

• 每个分数+5分。
  • spark.sql("SELECT name,course,score+5 from scs").show()
  • 

 2.总共有多少学生？

3.开设了多少门课程？

 

 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.Tom选修了几门课？每门课多少分？

 

 7.Tom的成绩按分数大小排序。

 

 8.Tom的平均分。

 

 9.每个分数+5分。

 

 10.求每门课的选修人数及所有人的总分。

11.求每门课的选修人数及平均分，精确到2位小数。

 

 

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)

准备工作的不同：

RDD:chapters = sc.textFile('file:///home/hadoop/chapter4-data01.txt')

DataFrame:

　　1.生成“表头”

　　　　from pyspark.sql.types import IntegerType,StringType,StructField,StructType
　　　　from pyspark.sql import Row
　　　　fields=[StructField('name',StringType(),True),StructField('course',StringType(),True),StructField('score',IntegerType(),True)]
　　　　schema=StructType(fields)

　　2.生成“表中的记录”

　　　　chapter=sc.textFile('file:///home/hadoop/chapter4-data01.txt').map(lambda x:x.split(','))
　　　　data=chapter.map(lambda p:Row(p[0],p[1],int(p[2])))

　　3.把“表头”和“表中的记录”拼装在一起

　　　　df_scs=spark.createDataFrame(data,schema)

SQL:

　　在DataFrame基础上添加：df_scs.createOrReplaceTempView('scs')

求每门课的选修人数及平均分，精确到2位小数:

RDD:

　　chapter = chapters.map(lambda x:x.split(',')).map(lambda x:(x[1],x[2]))
　　chapter = chapter.map(lambda x:(x[0],int(x[1])))
 　　course = chapter.combineByKey(lambda v:(v,1),lambda c,v:(c[0]+v,c[1]+1),lambda c1,c2:(c1[0]+c2[0],c1[1]+c2[1]))
　　course_rev = course.map(lambda x:(x[0],x[1][1],round(x[1][0]/x[1][1])))
　　course_rev.take(4)

 DataFrame:

　　df_scs.select(countDistinct('name').alias('学生人数'),countDistinct('cource').alias('课程数'),round(mean('score'),2).alias('所有课的平均分').alias('所有课的平均分')).show()

 SQL:
　　spark.sql("SELECT course,count(course),round(avg(score),2) from scs group by course").show()

Tom的成绩按分数大小排序:

RDD:

　　chapters.filter(lambda chapter:"Roy" in chapter).map(lambda chapter:chapter.split(',')).sortBy(lambda chapter:(chapter[2])).collect()

 DataFrame:

　　df_scs.filter(df_scs['name']=='Tom').sort(df_scs['score'].desc()).show()

SQL:

　　

spark.sql("SELECT course,score from scs where name='Tom' order by score desc").show()