摘要: 1.Spark SQL出现的 原因是什么? Hive是Shark的前身,Shark是SparkSQL的前身,Spark SQL产生的根本原因是其完全脱离了Hive的限制。 特点: 引入了新的RDD类型SchemaRDD,可以像传统数据库定义表一样来定义SchemaRDD。 在应用程序中可以混合使用不 阅读全文
posted @ 2021-06-18 13:14 翔云cxx 阅读(49) 评论(0) 推荐(0) 编辑
摘要: 补交第6次作业: 6.Spark SQL 及其DataFrame的基本操作 - 翔云cxx - 博客园 (cnblogs.com) 大作业: 1.选择使用什么数据,有哪些字段,多大数据量。 选用kaggle提供的美国疫情数据 有五个字段:date county state cases deaths 阅读全文
posted @ 2021-06-07 15:31 翔云cxx 阅读(35) 评论(0) 推荐(0) 编辑
摘要: spark连接mysql数据库 安装启动检查Mysql服务。netstat -tunlp (3306) spark 连接mysql驱动程序。 –cp /usr/local/hive/lib/mysql-connector-java-5.1.40-bin.jar /usr/local/spark/ja 阅读全文
posted @ 2021-05-31 14:56 翔云cxx 阅读(28) 评论(0) 推荐(0) 编辑
摘要: 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: 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?每门课多少分? 8. 阅读全文
posted @ 2021-05-24 19:34 翔云cxx 阅读(34) 评论(0) 推荐(0) 编辑
摘要: 1.pandas df 与 spark df的相互转 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%8Ep 阅读全文
posted @ 2021-05-14 20:57 翔云cxx 阅读(36) 评论(0) 推荐(0) 编辑
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 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 6.转换成键值对 map() 7.统计词频 reduceByKey() 8.按字母顺序排序 sortBy(f) 9.按词频排序 sortBy 阅读全文
posted @ 2021-04-19 09:03 翔云cxx 阅读(49) 评论(0) 推荐(0) 编辑
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 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 6.转换成键值对 map() 7.统计词频 reduceByKey() 二、学生课程分数 groupByKey() -- 按课程汇总全总学生 阅读全文
posted @ 2021-04-05 15:57 翔云cxx 阅读(34) 评论(0) 推荐(0) 编辑
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 6.练习一的生成单词键值对 7.对单词进行分组 8.查看分组结果 学生科目成绩 阅读全文
posted @ 2021-03-31 16:04 翔云cxx 阅读(38) 评论(0) 推荐(0) 编辑
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3 的单词 words.filter() 阅读全文
posted @ 2021-03-28 00:44 翔云cxx 阅读(29) 评论(0) 推荐(0) 编辑
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。 答: HDFS是hadoop的核心组件之一,分布式存储海量的数据; MapReduce也是hadoop的核心组件之一,分布式计算数据,将计算抽象成Ma 阅读全文
posted @ 2021-03-13 23:46 翔云cxx 阅读(258) 评论(0) 推荐(0) 编辑