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。

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。
• 

   

   

• 总共有多少学生？
• 

   

   

• 总共开设了哪些课程？
• 

   

   

• 每个学生选修了多少门课？
• 

   

   

• 每门课程有多少个学生选？
• 

   

   

• 每门课程大于95分的学生人数？
• 

   

   

• Tom选修了几门课？每门课多少分？
• 

   

   

• Tom的成绩按分数大小排序。
• 

   

   

• Tom的平均分。

• 

   

   

• 求每门课的平均分，最高分，最低分。
• 
• 
• 

   

   

• 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
• 

   

   

• 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