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)
[['Aaron', 'OperatingSystem', '100'], ['Aaron', 'Python', '50'], ['Aaron', 'ComputerNetwork', '30']]
>>> 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)
>>> data = rdd.map(lambda p:Row(p[0],p[1],int(p[2])))
>>> 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。
>>> df_scs.groupBy('course').avg('score').show()
>>> df_scs.groupBy('course').max('score').show()
>>> 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
0.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？
- 总共开设了哪些课程？
>>> spark.sql("SELECT count(name) from scs").show()
>>> 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？
- 每门课程大于95分的学生人数？
>>> spark.sql("SELECT count(name),course from scs group by course").show()
>>> 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 count(course) from scs where name = 'Tom'").show()
>>> spark.sql("SELECT course,score 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,count(name) as n,avg(score) as avg,max(score) as max,min(score) as min 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(name) as n,round(avg(score),2) as avg 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 * from a left join b on a.course=b.course").show()
>>> 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)
1.每个分数+5分
（1）sql实现
spark.sql("SELECT name,course,score+5 from scs").show()
（2）DataFrame操作实现
df_scs.select('name','course',df_scs.score+5).show()
（3）RDD实现
words = words.map(lambda x:(x[0],int(x[1])))
words.mapValues(lambda x:x+5).foreach(print)
2.总共有多少学生？
（1）sql实现
spark.sql("SELECT count(name) from scs").show()
（2）DataFrame操作实现
df_scs.select('name').distinct().count()
（3）RDD实现
lines.map(lambda line : line.split(',')[0]).distinct().count()
3.求每门课的选修人数及平均分，精确到2位小数。
（1）sql实现
spark.sql("SELECT course, count(name) as n,avg(score) as avg FROM scs group by course").show() #每门课的选修人数与平均分
（2）DataFrame操作实现
df_scs.groupBy('course').agg({'name':'count',"score": "mean"}).withColumnRenamed("avg(score)","'avg').withColumnRenamed("count(name)",'n').show()
df_scs.groupBy("course").avg("score").show()
df_scs.groupBy("course").count().show()
四、结果可视化。
from pyspark.sql.types import IntegerType, StringType, StructField, StructType
fields = [StructField(...), ...]
schema = StructType(fields)
类型：http://spark.apache.org/docs/latest/sql-ref-datatypes.html
from pyspark.sql import Row
data = rdd.map(lambda p: Row(...))
Spark SQL DataFrame 操作
df.show()
df.printSchema()
df.count()
df.head(3)
df.collect()
df[‘name’]
df.name
df.first().asDict()
df.describe().show()
df.distinct()
df.filter(df['age'] > 21).show()
df.groupBy("age").count().show()
df.select('name', df['age‘] + 1).show()
df_scs.groupBy("course").avg('score').show()
df_scs.agg({"score": "mean"}).show()
df_scs.groupBy("course").agg({"score": "mean"}).show()
函数：http://spark.apache.org/docs/2.2.0/api/python/pyspark.sql.html#module-pyspark.sql.functions
