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')

05 RDD编程

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()

05 RDD编程

3.全部转换为小写 lower()

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

05 RDD编程

4.去掉长度小于3的单词 filter()

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

05 RDD编程

5.去掉停用词

05 RDD编程
with open('/home/hadoop/stopwords.txt') as f:
     stops=f.read().split()

words=words.filter(lambda word:word not in stops)
words.count()
words.collect()
05 RDD编程

05 RDD编程

6.转换成键值对 map()

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

05 RDD编程

7.统计词频 reduceByKey()

words=words.reduceByKey(lambda a,b:a+b)

05 RDD编程

8.按字母顺序排序 sortBy(f)

words=words.sortBy(lambda word:word[0])
words.collect()

05 RDD编程

9.按词频排序 sortByKey()

words=words.sortByKey()
words.collect()

05 RDD编程

 

 

 

 

 

二、学生课程分数案例

lines = sc.textFile('file:///home/hadoop/chapter4-data01.txt')
lines.take(5)

05 RDD编程

1.总共有多少学生?map(), distinct(), count()

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

05 RDD编程

2.开设了多少门课程?

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

05 RDD编程

3.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()

05 RDD编程

4.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()

05 RDD编程

5.Les选修了几门课?每门课多少分?filter(), map() RDD

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

05 RDD编程

6.Les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])).lookup("Les")
lines.map(lambda line:line.split(',')).map(lambda line:(line[0],line[2])).lookup("Les")

05 RDD编程

7.Les的成绩按分数大小排序。filter(), map(), sortBy()

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

 

05 RDD编程

8.Les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("Les")
np.mean([int(x) for x in meanlist])

 

05 RDD编程

 

     
上一篇:mysql数据的导出与导入(into outfile和load data file)


下一篇:使用泛型的 TArray 为动态数组排序