6.RDD综合练习：更丰富的操作

集合运算练习

union()， intersection()，subtract(), cartesian()

rdd1=sc.parallelize('abcd')
rdd2=sc.parallelize('bcde')
rdd1.union(rdd2).collect()
rdd1.intersection(rdd2).collect()
rdd1.subtract(rdd2).collect()
rdd1.cartesian(rdd2).collect()

 

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：学生课程分数

通过RDD操作实现以下数据分析:

• 持久化 scm.cache()
• 总共有多少学生？map(), distinct(), count()
• 开设了多少门课程？

 

url='file:///usr/local/spark/rdd/sc.txt'
scm=sc.textFile(url).map(lambda line:line.split(',')).map(lambda line:[line[0],line[1],int(line[2])])
scm.cache()
scm.take(3）

scm.count()
scm.map(lambda line:line[0]).distinct().count()
scm.map(lambda line:line[1]).distinct().count()

 

 

 

• 生成（姓名，课程分数）键值对RDD，观察keys(),values()

name=scm.map(lambda line:(line[0],(line[1],line[2])))
name.take(3)
name.keys().take(6)
name.values().take(6)

 

 

• 每个学生选修了多少门课？map(), countByKey()
• 每门课程有多少个学生选？map(), countByValue() 
• 有多少个100分？

name.countByKey()['Tom']
name.count()
name.countByKey()
name.values().countByKey()
name.values().values().countByValue()[100]
name.take(1)
name.values().take(1)
name.values().values().take(1)

 

• Tom选修了几门课？每门课多少分？filter(), map() RDD

scm.filter(lambda line:line[0]=='Tom').collect()

 

 

• Tom选修了几门课？每门课多少分？map(),lookup()  list
  

name.lookup('Tom')

 

• Tom的成绩按分数大小排序。filter(), map(), sortBy()
• Tom的平均分。map(),lookup(),mean()

scm.filter(lambda line:line[0]=='Tom').collect()
name.filter(lambda line:line[0]=='Tom').values().collect()
name.filter(lambda line:line[0]=='Tom').values().sortBy(lambda a:a[1],False).collect()

 

 

• 生成（课程，分数）RDD，观察keys(),values()
• 每个分数+5分。mapValues(func)
• 求每门课的选修人数及所有人的总分。combineByKey()
• 求每门课的选修人数及平均分，精确到2位小数。map()，round()
• 求每门课的选修人数及平均分。用reduceByKey()实现，并比较与combineByKey()的异同。
• 结果可视化。 pyecharts.charts,Bar()

#生成（课程，分数）RDD
course=name.values()
course.keys().collect()
course.values().collect()