05 RDD编程
1.读文本文件生成RDD lines
lines = sc.textFile('file:///home/hadoop/word.txt')
lines.collect()
2.将一行一行的文本分割成单词 words
words=lines.flatMap(lambda line:line.split())
words.collect()
3.全部转换为小写
words=lines.flatMap(lambda line:line.lower().split())
words.collect()
4.去掉长度小于3的单词
words=lines.flatMap(lambda line:line.split()).filter(lambda line:len(line)>3)
words.collect()
5.去掉停用词
1.准备停用词文本：
lines = sc.textFile('file:///home/hadoop/stopwords.txt')
stop = lines.flatMap(lambda line : line.split()).collect()
stop
2.去除停用词：
lines=sc.textFile("file:///home/hadoop/word.txt")
words=lines.flatMap(lambda line:line.lower().split()).filter(lambda word:word not in stop)
words
words.collect()
6.转换成键值对 map()
wordskv=words.map(lambda word:(word.lower(),1))
wordskv.collect()
7.统计词频 reduceByKey()
wordskv.reduceByKey(lambda a,b:a+b).collect()
8、按字母顺序排序 sortBy(f)
wordskv=words.map(lambda word:(word.lower(),1)).reduceByKey(lambda a,b:a+b).sortBy(lambda word:word[0])
wordskv.collect()
9、按词频排序 sortByKey()
wordskv=words.map(lambda word:(word.lower(),1)).reduceByKey(lambda a,b:a+b)
wordskv.sortByKey().collect()
二、学生课程分数案例
- 总共有多少学生？map(), distinct(), count()
- lines.map(lambda line : line.split(',')[0]).distinct().count()
- 开设了多少门课程？
-
lines.map(lambda line : line.split(',')[1]).distinct().count()
-
- 每个学生选修了多少门课？map(), countByKey()
- lines.map(lambda line : line.split(',')).map(lambda line:(line[0],(line[1],line[2]))).countByKey()
- 每门课程有多少个学生选？map(), countByValue()
- lines.map(lambda line : line.split(',')).map(lambda line : (line[1])).countByValue()
- Allen选修了几门课？每门课多少分？filter(), map() RDD
- lines.filter(lambda line:"Allen" in line).map(lambda line:line.split(',')).collect()
- Allen选修了几门课？每门课多少分？map(),lookup() list
- lines.map(lambda line:line.split(',')).map(lambda line:(line[0],(line[1],line[2]))).lookup("Allen")
- Allen的成绩按分数大小排序。filter(), map(), sortBy()
- lines.filter(lambda line:"Allen" in line).map(lambda line:line.split(',')).sortBy(lambda line:(line[2])).collect()
-
- Allen的平均分。map(),lookup(),mean()
-
import numpy as np
- meanlist=lines.map(lambda line:line.split(',')).map(lambda line:(line[0],line[2])).lookup("Allen")
-
np.mean([int(x) for x in meanlist])
-
- 生成（课程，分数）RDD，观察keys(),values()
- wordsKV=lines.map(lambda line:line.split(',')).map(lambda line:(line[1],line[2]))
- wordsKV.keys().take(10)
- wordsKV.values().take(10)
- 每个分数+5分。mapValues(func)
- wordsKV.map(lambda x:(x[0],int(x[1]))).mapValues(lambda x:x+5).take(20)
- 求每门课的选修人数及所有人的总分。combineByKey()
- course=wordsKV.combineByKey(lambda v:(int(v),1),lambda c,v:(c[0]+int(v),c[1]+1),lambda c1,c2:(c1[0]+c2[0],c1[1]+c2[1]))
- course.take(10)
- v：sore（分数）
- c[1]+1：表示某一区当前的（选修人数）遇到第一个（选修人数）相加的结果
- c[0]+int(v)：表示某一区当前的（分数）遇到第一个分数相加的结果
- c1[0]+c2[0]：表示累加两个区的分数相加之和的结果
- c1[1]+c2[1]：表示累加两个区的（选修人数）相加之和的结果
- 求每门课的选修人数及平均分，精确到2位小数。map()，round()
- course.map(lambda x:(x[0],x[1][1],round(x[1][0]/x[1][1]))).take(10)
- 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。
- courseRedByKey=lines.map(lambda line:line.split(',')).map(lambda line:(line[1],(int(line[2]),1))).reduceByKey(lambda a,b:(a[0]+b[0],a[1]+b[1]))
- courseRedByKey.take(10)
不同点：reduceByKey()操作简单通俗易懂，而combineByKey()操作复杂难懂，combineByKey()属于一个比较底层的算子。
- 相同点：reduceByKey()的底层调用了combineByKey()来实现。
