RDD编程

 

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

 

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

 

 

 

 

3.全部转换为小写

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

 

 

4.去掉长度小于3的单词

words1=lines.flatMap(lambda line:line.split()).filter(lambda line:len(line)>3)

 

 

5.去掉停用词

lines=sc.textFile('file:///usr/loaca/spark/stopwords.txt')

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

lines=sc.textFile("f

words=lines.flatMap(lambda line:line.lower().split()).filter(lambda word:word not in stop)

le:///home/hadoop/word.txt")

 

 

 

 

6.转换成键值对 map()

words1=words.map(lambda word:(word.lower(),1))

 

 

7.统计词频 reduceByKey()

wordskv.reduceByKey(lambda a,b:a+b).collect()

8、按字母顺序排序 sortBy(f)

words2=words.map(lambda word:(word.lower(),1)).reduceByKey(lambda a,b:a+b).sortBy(lambda word:word[0])

 

 

9、按词频排序 sortByKey()

wordsk3=words.map(lambda word:(word.lower(),1)).reduceByKey(lambda a,b:a+b)

words3.sortByKey().collect()

 

 

二、学生课程分数案例

  • 总共有多少学生?map(), distinct(), count()
  • lines=sc.textFile('file:///usr/local/spark/chapter4-data01.txt')

  • 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[1],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[1])).countByValue()

  •  

     

  • Tom选修了几门课?每门课多少分?filter(), map() RDD
  • lines.filter(lambda line:'Tom' in line).map(lambda line:line.split(',')).collect()

  •  

     

  • Tom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("Tom")

  •  

     

  • Tom的成绩按分数大小排序。filter(), map(), sortBy()
  • lines.filter(lambda line:"Tom" in line).map(lambda line:line.split(',')).sortBy(lambda line:(line[2])).collect()

  •  

     

  • Tom的平均分。map(),lookup(),mean()
  • from numpy import mean
  • tomlist=lines.map(lambda line:line.split(',')).map(lambda line:(line[0],line[2])).lookup("Tom")
  • mean([int(x) for x in tomlist])
  •  

posted @ 2021-04-18 14:04  yy0102  阅读(57)  评论(0编辑  收藏  举报