读学生课程分数文件chapter4-data01.txt,创建DataFrame。
url = "file:///usr/local/spark/mycode/rdd/chapter4-data01.txt"
rdd = spark.sparkContext.textFile(url).map(lambda line:line.split(','))
rdd.take(3)
from pyspark.sql.types import IntegerType,StringType,StructField,StructType
from pyspark.sql import Row
#生成“表头”
fields = [StructField('name',StringType(),True),StructField('course',StringType(),True),StructField('score',IntegerType(),True)]
schema = StructType(fields)
#生成“表中的记录”
data = rdd.map(lambda p:Row(p[0],p[1],int(p[2])))
#把“表头”和“表中的记录”拼接在一起
df_scs = spark.createDataFrame(data,schema)
df_scs.printSchema()
df_scs.show()
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。
df_scs.select('name','course',df_scs.score+5).show()
总共有多少学生?
df_scs.select('name').distinct().count()
总共开设了哪些课程?
df_scs.select('course').distinct().show()
每个学生选修了多少门课?
df_scs.groupBy('name').count().show()
每门课程有多少个学生选?.
df_scs.groupBy('course').count().show()
每门课程大于95分的学生人数?
df_scs.filter(df_scs.score>95).groupBy('course').count().show()
Tom选修了几门课?每门课多少分?
df_scs.filter(df_scs.name=='Tom').show()
Tom的成绩按分数大小排序。
df_scs.filter(df_scs.name=='Tom').orderBy(df_scs.score).show()
Tom的平均分。
df_scs.filter(df_scs.name=='Tom').agg({"score":"mean"}).show()
求每门课的平均分,最高分,最低分。
#求每门课的平均分
df_scs.groupBy('course').avg('score').show()
#求每门课的最高分
df_scs.groupBy('course').max('score').show()
#求每门课的最低分
df_scs.groupBy('course').min('score').show()
求每门课的选修人数及平均分,精确到2位小数。
from pyspark.sql.functions import *
df_scs.select(countDistinct('name').alias('学生人数'),countDistinct('course').alias('课程数'),round(mean('score'),2).alias('所有课的平均分')).show()
每门课的不及格人数,通过率
df_scs.filter(df_scs.score<60).groupBy('course').count().show()
结果可视化。