一、词频统计：

1.读文本文件生成RDD lines

2.将一行一行的文本分割成单词 words flatmap()

 

3.全部转换为小写 

 

 

4.去掉长度小于3的单词

 

 

5.去掉停用词

准备停用词文本

 

 

 

 

2.去除停用词：

 

6.转换成键值对 map()

 

 

7.统计词频 reduceByKey()

 

 

二、学生课程分数 groupByKey()

-- 按课程汇总全总学生和分数

先行代码：

lines = sc.textFile('file:///home/hadoop/chapter4-data01.txt')

lines.take(5)

1. 分解出字段 map()

代码：

lines.map(lambda line:line.split(',')).take(5)

2. 生成键值对 map()

代码：

lines.map(lambda line:line.split(',')).map(lambda line:(line[1],(line[0],line[2]))).take(5)

3. 按键分组 

代码：

lines.map(lambda line:line.split(',')).map(lambda line:(line[1],(line[0],line[2]))).groupByKey().take(5)

4. 输出汇总结果

代码： 

groupByCoure = lines.map(lambda line:line.split(',')).map(lambda line:(line[1],(line[0],line[2]))).groupByKey()

for i in groupByCoure.first()[1]:
... print(i)
...

 

 

 

三、学生课程分数 reduceByKey()

-- 每门课程的选修人数

代码：

 lines.map(lambda line:line.split(',')).map(lambda line:(line[1],1) ).take(5)

-- 每个学生的选修课程数

代码： 

lines.map(lambda line:line.split(',')).map(lambda line:(line[1],1) ).reduceByKey(lambda a,b:a+b).take(5)