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: 数据准备: 总共有多少学生? 总共开设了多少门课程? 每个学生选修了多少门课? 每门课程有多少个学生选? 每门课程>95分的学生人数 课程'Python'有多 阅读全文
posted @ 2022-05-31 09:51 rrromi 阅读(58) 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 @ 2022-05-10 08:58 rrromi 阅读(21) 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 @ 2022-04-20 15:53 rrromi 阅读(29) 评论(0) 推荐(0) 编辑
摘要: 一、词频统计 1.分步骤实现 1).准备文件 1.下载小说或长篇新闻稿 2)读文件创建RDD 3)分词 4)排除大小写 标点符号re.split(pattern,str),flatMap() 停用词,可网盘下载stopwords.txt,filter() 长度小于2的词 5)统计词频 6)排序 7) 阅读全文
posted @ 2022-04-12 08:36 rrromi 阅读(15) 评论(0) 推荐(0) 编辑
摘要: 4.RDD操作 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 上传文件 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、生成数组 二、 RDD操作 转换操作 1.filter(func) 传入lambda 阅读全文
posted @ 2022-03-27 14:39 rrromi 阅读(18) 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。 Spark 生态系统以Spark Core 为核心,可以读取传统文件(如文本文件)、HDFS、Amazon S3、Alluxio 和NoSQL 等数据源,能够利用Standalone、 阅读全文
posted @ 2022-03-13 11:25 rrromi 阅读(39) 评论(0) 推荐(0) 编辑
摘要: 一、安装Spark 检查基础环境hadoop,jdk 下载spark 解压,文件夹重命名、权限 配置文件 环境变量 试运行Python代码 二、Python编程练习:英文文本的词频统计 准备文本文件 读文件 预处理:大小写,标点符号,停用词 分词 统计每个单词出现的次数 按词频大小排序 结果写文件 阅读全文
posted @ 2022-03-05 14:22 rrromi 阅读(20) 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。 1)HDFS(hadoop分布式文件系统) 是hadoop体系中数据存储管理的基础。他是一个高度容错的系统,能检测和应对硬件故障。 2)mapreduce(分布式计算框架) mapreduce是一种计算 阅读全文
posted @ 2022-02-23 20:54 rrromi 阅读(23) 评论(0) 推荐(0) 编辑