08 学生课程分数的Spark SQL分析

一、用SQL语句完成数据分析要求 

 

###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)
###生成“表中的记录”
url = "file:///usr/local/spark/mycode/rdd/chapter4-data01.txt"
rdd = spark.sparkContext.textFile(url).map(lambda line:line.split(','))
rdd.take(3)
data = rdd.map(lambda p:Row(p[0],p[1],int(p[2])))
###把“表头”和“表中的记录”拼接在一起
df_scs = spark.createDataFrame(data,schema)
df_scs.printSchema()
df_scs.show()

    

 

 用SQL语句完成以上数据分析要求 

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

 

  • 总共有多少学生?
spark.sql("SELECT count(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 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,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

 

 

二、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)

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?
  • 总共开设了哪些课程?
df_scs.select('name').distinct().count()
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').sort(df_scs['score'].desc()).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。
  • 每门课的不及格人数,通过率
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').alias('所有课的平均分')).show()

df_scs.filter(df_scs.score<60).groupBy(df_scs.course).count().show()
  •  
  • 结果可视化。
posted @ 2021-05-18 20:55  金腰带小拳石  阅读(42)  评论(0编辑  收藏  举报