05 RDD编程

一、词频统计：

1.读文本文件生成RDD lines

lines = sc.textFile('file:///home/hadoop/word.txt')

 2.将一行一行的文本分割成单词 words flatmap(

words=lines.flatMap(lambda line:line.split())
words.collect()

 3.全部转换为小写 lower()

words=lines.flatMap(lambda line:line.lower().split()).collect()
words=lines.flatMap(lambda line:line.lower().split())
words.collect()

 4.去掉长度小于3的单词 filter()

words.filter(lambda word : len(word)>3).collect()

 5.去掉停用词

# 准备文本
lines = sc.textFile('file:///home/hadoop/stopwords.txt')
stop = lines.flatMap(lambda line : line.split()).collect()
# 去除停用词
words=lines.flatMap(lambda line:line.lower().split()).filter(lambda word : word not in stop)
words.collect()

 6.转换成键值对 map()

words.map(lambda word : (word,1))

 7.统计词频 reduceByKey()

words.map(lambda word : (word,1)).reduceByKey(lambda a,b:a+b).foreach(print)

 8.按字母顺序排序 sortBy(f)

words.map(lambda word : (word,1)).reduceByKey(lambda a,b:a+b).sortBy(lambda word:word[0]).collect()

 9.按词频排序 sortByKey()

words.map(lambda word : (word,1)).reduceByKey(lambda a,b:a+b).sortByKey().collect()

二、学生课程分数案例

• 共有多少学生？map(), distinct(), count()

• lines.map(lambda line : line.split(',')[0]).distinct().count()

  
• 开设了多少门课程？

• lines.map(lambda line : line.split(',')[1]).distinct().count()

  
• 每个学生选修了多少门课？map(), countByKey()

• lines.map(lambda line : line.split(',')).map(lambda line:(line[0],line[2])).countByKey()

  
• 每门课程有多少个学生选？map(), countByValue()

• lines.map(lambda line : line.split(',')).map(lambda line : (line[0])).countByValue()

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

• lines.filter(lambda line:"Roy" in line).map(lambda line:line.split(',')).collect()

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

• lines.map(lambda line:line.split(',')).map(lambda line:(line[0],line[1],line[2])).lookup("Roy")

  
• Roy的成绩按分数大小排序。filter(), map(), sortBy()

• lines.filter(lambda line:"Roy" in line).map(lambda line:line.split(',')).sortBy(lambda line:(line[2])).collect()

  
• Roy的平均分。map(),lookup(),mean()

• import numpy as np
  meanlist=lines.map(lambda line:line.split(',')).map(lambda line:(line[0],line[2])).lookup("Roy")
  np.mean([int(x) for x in meanlist])
  
  

  

• 每个分数+5分。mapValues(func)

  • words = words.map(lambda x:(x[0],int(x[1])))
    words.mapValues(lambda x:x+1).foreach(print)

    
• 求每门课的选修人数及所有人的总分。combineByKey()
• 代码：course = words.combineByKey(lambda v:(v,1),lambda c,v:(c[0]+v,c[1]+1),lambda c1,c2:(c1[0]+c2[0],c1[1]+c2[1]))
• 
• 求每门课的选修人数及平均分，精确到2位小数。map()，round()
  • 代码：course_rev = course.map(lambda x:(x[0],x[1][1],round(x[1][0]/x[1][1])))
  • 
• 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
代码：lines.map(lambda line:line.split(',')).map(lambda x:(x[1],(int(x[2]),1))).reduceByKey(lambda a,b:(a[0]+b[0],a[1]+b[1])).foreach(print)
•