-
-
1．pyspark交互式编程
本作业提供分析数据data.txt，该数据集包含了某大学计算机系的成绩，数据格式如下所示：
| Tom,DataBase,80 Tom,Algorithm,50 Tom,DataStructure,60 Jim,DataBase,90 Jim,Algorithm,60 Jim,DataStructure,80 …… |
请根据给定的实验数据，在pyspark中通过编程来计算以下内容：
- 该系总共有多少学生；
1.创建RDD
2.拆分每行记录，取出每行的第一个元素
3.去除文件中的重复记录
4.统计所有会重复记录。
- 该系共开设了多少门课程；
1.创建RDD
2.拆分每行记录，取出每行的第一个元素
3.去除文件中的重复记录
4.统计所有会重复记录。
- Tom同学的总成绩平均分是多少；
1.提取Tom的每门成绩，并转化为int类型
2.统计Tom的课程数
3.统计Tom的总成绩
- 求每名同学的选修的课程门数；
1.创建RDD
2.求出学生每门课程对应（学生姓名，1），学生有n门课程，则有n个学生
3.按学生姓名为key，获取每个学生的课程总数
4.按照学生姓名分组，统计他们选课程数。
- 该系DataBase课程共有多少人选修；
1.创建RDD
2.选定课程DataBase
3.输出结果
- 各门课程的平均分是多少；
1.创建RDD
2.为每门课程的分数后面新增一列，表示一个学生选择了该门课程
3.按课程名称统计总分数和选课人数
4.求平均分
- 使用累加器计算共有多少人选了DataBase这门课。
1.创建RDD
2.选定课程DataBase
3.使用累加器计算
2.编写独立应用程序实现数据去重
对于两个输入文件A和B，编写Spark独立应用程序，对两个文件进行合并，并剔除其中重复的内容，得到一个新文件C。本文给出门课的成绩（A.txt、B.txt）下面是输入文件和输出文件的一个样例，供参考。
输入文件A的样例如下：
20200101 x
20200102 y
20200103 x
20200104 y
20200105 z
20200106 z
输入文件B的样例如下：
20200101 y
20200102 y
20200103 x
20200104 z
20200105 y
根据输入的文件A和B合并得到的输出文件C的样例如下：
20200101 x
20200101 y
20200102 y
20200103 x
20200104 y
20200104 z
20200105 y
20200105 z
20200106 z
实验步骤如下：
- 当前目录为/usr/local/spark/sparksqldata/，在当前目录下新建一个C.py文件
-
-
- 向C.py文件写入内容如下：
-
- 在目录为/usr/local/spark/sparksqldata/下执行下面命令执行程序.(注意运行前缀为python8,若使用python3，可能会运行显示不成功。)
-
- 在目录/usr/local/spark/sparksqldata/result下即可得到结果文件part-00000。
-
结果
-
-
3.编写独立应用程序实现求平均值问题
每个输入文件表示班级学生某个学科的成绩，每行内容由两个字段组成，第一个是学生名字，第二个是学生的成绩；编写Spark独立应用程序求出所有学生的平均成绩，并输出到一个新文件中。本文给出门课的成绩（Algorithm.txt、Database.txt、Python.txt），下面是输入文件和输出文件的一个样例，供参考。
Algorithm成绩：
小明 92
小红 87
小新 82
小丽 90
Database成绩：
小明 95
小红 81
小新 89
小丽 85
Python成绩：
小明 82
小红 83
小新 94
小丽 91
平均成绩如下：
(小红,83.67)
(小新,88.33)
(小明,89.67)
(小丽,88.67)
实验步骤如下：
- 当前目录为/usr/local/spark/mycode/avgscore，在当前目录下新建一个avgscore.py,并将数据文件“Algorithm.txt、Database.txt、Python.txt”放入该文件夹下。
-
-
- 向avgscore.py文件写入内容如下：
-
- 在目录为/usr/local/spark/mycode/avgscore下执行如图命令执行程序.(注意运行前缀为python3.8,若使用python3，可能会运行显示不成功。)
-
-
- 4.结果。