摘要: 综合练习:学生课程分数 网盘下载sc.txt文件,分别用RDD操作、DataFrame操作和spark.sql执行SQL语句实现以下数据分析: 1、总共有多少学生? 2、总共开设了多少门课程? 3、每个学生选修了多少门课? 4、每门课程有多少个学生选? 5、每门课程>95分的学生人数 6、课程'Py 阅读全文
posted @ 2022-05-16 01:47 吕浩洵 阅读(111) 评论(0) 推荐(0) 编辑
摘要: 1.请分析SparkSQL出现的原因,并简述SparkSQL的起源与发展。 因为关系数据库已经很流行,而且关系数据库在大数据时代已经不能满足要求。首先,用户需要从不同数据源执行各种操作,包括结构化、半结构化和非结构化数据。其次,用户需要执行高级分析,比如机器学习和图像处理。在实际大数据应用中,经常需 阅读全文
posted @ 2022-04-24 14:42 吕浩洵 阅读(46) 评论(0) 推荐(0) 编辑
摘要: 集合运算练习 union(), intersection(),subtract(), cartesian() 内连接与外连接 join(), leftOuterJoin(), rightOuterJoin(), fullOuterJoin() 多个考勤文件,签到日期汇总,出勤次数统计 三、综合练习: 阅读全文
posted @ 2022-04-17 06:05 吕浩洵 阅读(54) 评论(0) 推荐(0) 编辑
摘要: 一、词频统计 A. 分步骤实现 1、准备文件 1、下载小说或长篇新闻稿 2、上传到hdfs上 2、读文件创建RDD 3、分词 4、 标点符号re.split(pattern,str),flatMap(), 排除大小写lower(),map() 停用词,可网盘下载stopwords.txt,filte 阅读全文
posted @ 2022-04-08 01:47 吕浩洵 阅读(21) 评论(0) 推荐(0) 编辑
摘要: 一、 RDD创建 1、从本地文件系统中加载数据创建RDD 2、从HDFS加载数据创建RDD 启动hdfs 上传、查看文件 加载 停止hdfs 3、通过并行集合(列表)创建RDD 输入列表 字符串 numpy生成数组 二、 RDD操作 转换操作 1、filter(func)显式定义函数 lambda函 阅读全文
posted @ 2022-03-21 20:40 吕浩洵 阅读(11) 评论(0) 推荐(0) 编辑
摘要: 1.Spark已打造出结构一体化、功能多样化的大数据生态系统,请用图文阐述Spark生态系统的组成及各组件的功能。 组件介绍 1 . Spark Core: Spark的核心组件,其操作的数据对象是RDD(弹性分布式数据集),图中在Spark Core上面的四个组件都依赖于Spark Core,可以 阅读全文
posted @ 2022-03-13 21:44 吕浩洵 阅读(16) 评论(0) 推荐(0) 编辑
摘要: 一、安装Spark 1、检查基础环境hadoop,jdk 2、下载spark (省略,原来已下好) 3、解压,文件夹重命名、权限 (省略,原来已下好) 4、配置文件 5、环境变量 6、试运行Python代码 试运行spaark python命令测试 二、Python编程练习:英文文本的词频统计 1、 阅读全文
posted @ 2022-03-06 19:15 吕浩洵 阅读(15) 评论(0) 推荐(0) 编辑
摘要: 1.列举Hadoop生态的各个组件及其功能、以及各个组件之间的相互关系,以图呈现并加以文字描述。 Hadoop的核心是YARN,HDFS和Mapreduce 下图是hadoop生态系统,集成spark生态圈。在未来一段时间内,hadoop将于spark共存,hadoop与spark都能部署在yarn 阅读全文
posted @ 2022-02-23 18:10 吕浩洵 阅读(43) 评论(0) 推荐(0) 编辑