08 学生课程分数的Spark SQL分析
读学生课程分数文件chapter4-data01.txt，创建DataFrame。
>>> url = "file:///usr/local/spark/mycode/rdd/chapter4-data01.txt" >>> rdd = spark.sparkContext.textFile(url).map(lambda line:line.split(',')) >>> rdd.take(3) >>> from pyspark.sql.types import IntegerType,StringType,StructField,StructType >>> from pyspark.sql import Row
#生成表头
>>> fields = [StructField('name',StringType(),True),StructField('course',StringType(),True),StructField('score',IntegerType(),True)] >>> schema = StructType(fields)
#生成表中的记录
>>> data = rdd.map(lambda p:Row(p[0],p[1],int(p[2])))
#把表头和表中的记录拼到一起
>>> df_scs = spark.createDataFrame(data,schema) >>> df_scs.printSchema() >>> df_scs.show()
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。
-
>>> df_scs.select('name','course',df_scs.score+5).show()
- 总共有多少学生？
-
>>> df_scs.select('name').distinct().count()
- 总共开设了哪些课程？
-
>>> df_scs.select('course').distinct().show()
- 每个学生选修了多少门课？
-
>>> df_scs.groupBy('name').count().show()
- 每门课程有多少个学生选？
-
>>> df_scs.groupBy('course').count().show()
- 每门课程大于95分的学生人数？
-
>>> df_scs.filter(df_scs.score>95).groupBy('course').count().show()
- Tom选修了几门课？每门课多少分？
-
>>> df_scs.filter(df_scs.name=='Tom').show()
- Tom的成绩按分数大小排序。
-
>>> df_scs.filter(df_scs.name=='Tom').orderBy(df_scs.score).show()
- Tom的平均分。
-
>>> df_scs.filter(df_scs.name=='Tom').agg({"score":"mean"}).show()
- 求每门课的平均分，最高分，最低分。
-
#平均分 >>> df_scs.groupBy('course').avg('score').show()
#最高分
>>> df_scs.groupBy('course').max('score').show()
#最低分
>>> df_scs.groupBy('course').min('score').show()
- 求每门课的选修人数及平均分，精确到2位小数。
-
>>> from pyspark.sql.functions import *
>>> df_scs.select(countDistinct('name').alias('学生人数'),countDistinct('course').alias('课程数'),round(mean('score'),2).alias('所有课的平均分')).show()
- 每门课的不及格人数，通过率
-
>>> df_scs.filter(df_scs.score<60).groupBy('course').count().show()
- 二、用SQL语句完成以上数据分析要求
- 必须先把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()
- 总共有多少学生？
-
spark.sql("SELECT COUNT( DISTINCT name) from scs").show()
- 总共开设了哪些课程？
-
>>> spark.sql("SELECT distinct(course) from scs").show()
- 每个学生选修了多少门课？
-
spark.sql("SELECT name,count(course) from scs group by name").show()
- 每门课程有多少个学生选？
-
spark.sql("SELECT count(name),course from scs group by course").show()
- 每门课程大于95分的学生人数？
-
spark.sql("SELECT count(name),course from scs where score>95 group by course").show()
- Tom选修了几门课？每门课多少分？
-
spark.sql("SELECT * FROM scs where name=='Tom'").show()
- Tom的成绩按分数大小排序。
-
spark.sql("SELECT course,score from scs where name='Tom' order by score desc").show()
- Tom的平均分。
-
spark.sql("SELECT avg(score) from scs where name='Tom'").show()
- 求每门课的平均分，最高分，最低分。
-
spark.sql("SELECT course,avg(score),max(score),min(score) from scs group by course").show()
- 求每门课的选修人数及平均分，精确到2位小数。
-
spark.sql("SELECT course,count(course),round(avg(score),2) from scs group by course").show()
- 每门课的不及格人数，通过率
-
spark.sql("SELECT course,count(name) as n,avg(score) as avg FROM scs group by course").createOrReplaceTempView("a") spark.sql("SELECT course,count(score) as notPass FROM scs where score<60 group by course").createOrReplaceTempView("b") spark.sql("select a.course,round(a.avg,2),b.notPass,round((a.n-b.notPass)/a.n,2) as passRat from a left join b on a.course=b.course").show()
-
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)
总共有多少学生？
RDD操作实现：
-
>>> lines=sc.textFile("file:///usr/local/spark/mycode/rdd/chapter4-data01.txt") >>> lines.map(lambda line:line.split(',')[0]).distinct().count()
-
DataFrame操作实现：
-
>>> df_scs.select('name').distinct().count()
- SQL语句实现:
-
>>> spark.sql("SELECT COUNT( DISTINCT name) from scs").show()
-
Tom的平均分？
RDD操作实现：
-
>>> from numpy import mean >>> tomList=lines.map(lambda line:line.split(',')).map(lambda line:(line[0],line[2])).lookup('Tom') >>> mean([int(x) for x in tomList])
-
DataFrame操作实现：
-
>>> df_scs.filter(df_scs.name=='Tom').agg({"score":"mean"}).show()
-
SQL语句实现:
-
>>> spark.sql("SELECT avg(score) from scs where name='Tom'").show()
-
Tom选修了几门课？每门课多少分？
-
RDD操作实现：
-
>>> Tom=lines.filter(lambda line:'Tom' in line).map(lambda line:line.split(',')) >>> Tom.collect()
-
DataFrame操作实现：
-
>>> df_scs.filter(df_scs.name=='Tom').show()
-
SQL语句实现:
-
>>> spark.sql("SELECT * FROM scs where name=='Tom'").show()
四、结果可视化。
