关键词：
RDD编程初级实践
一、数据来源描述
pyspark交互式编程
科任老师提供分析数据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
……
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
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)
二、数据上传及上传结果查看
图2.1 将所需的数据放进/usr/local/spark文件中
pyspark交互式编程
图2.2 查看data.txt中的数据
图2.3 data.txt中的数据
编写独立应用程序实现数据去重
图2.4 将所需的数据放进/usr/local/spark/big
图2.5 查看A.txt的数据
图2.6 查看B.txt的数据
编写独立应用程序实现求平均值问题
图2.7 查看相关数据
图2.8 查看Algorithm.txt的数据
图2.9 查看Database.txt的数据
图2.10 查看Python.txt的数据
三、数据处理过程描述
pyspark交互式编程
使用lines储存读取data.txt文件里的内容
lines=sc.textFile(‘file:///usr/local/spark/data.txt’)
（1） 该系总共有多少学生；
lines存储的是Row object类型
map()接收函数，把函数应用到RDD的每一个元素，返回新的RDD
首先提取第一列的数据，第一列的数据是学生的姓名，通过累加和去重可以算出总人数
res = lines.map(lambda x:x.split(“,”)).map(lambda x:x[0])
使用spark的distinct进行去重
res.distinct()
用sum存储去重后的数据
sum =res.distinct()
显示sum数值，count()：计数
sum.count()
（2） 该系共开设了多少门课程；
lines存储的是Row object类型
map()接收函数，把函数应用到RDD的每一个元素，返回新的RDD
提取第二列的数据，第二列的数据是科目，通过累加和去重可以算出科目的总数
res = lines.map(lambda x:x.split(“,”)).map(lambda x:x[1])
用dis_res存去重后的数据
dis_res =res.distinct()
显示dis_res数值，count()：计数
dis_res.count()
（3） Tom同学的总成绩平均分是多少；
lines存储的是Row object类型
map()接收函数，把函数应用到RDD的每一个元素，返回新的RDD
filter()接收函数，返回只包含满足filter()函数的元素的新RDD
筛选出第一列的数据，对RDD中的元素进行过滤选择名为Tom的列，返回形成新的RDD。
res = lines.map(lambda x:x.split(“,”)).filter(lambda x:x[] == ’Tom’)
使用foreach算子显示数据
res.foreach(print)
num保存Tom同学的学科总数
num=res.count()
提取各科成绩
score = rep.map(lambda x:int(x[2]))
各科成绩相加
sum_score = score.reduce(lambda x,y:x+y)
avg存储总成绩除以科目数的数值
avg = sum_score/num
显示平均分数值
print(avg)
（4） 求每名同学的选修的课程门数；
lines存储的是Row object类型
map()接收函数，把函数应用到RDD的每一个元素，返回新的RDD
提取出第二列的数据，并对第一列相同的数据进行累加，算出每位同学所选的选修课门数。
res = lines.map(lambda x:x.split(“,”)).map(lambda x:(x[0],1))
对相同key的数据进行处理，最终每个key只保留一条记录。
each_res=res.reduceByKey(lambda x,y:x+y)
使用foreach算子显示数据
each_res.foreach(print)
（5） 该系DataBase课程共有多少人选修；
lines存储的是Row object类型
map()接收函数，把函数应用到RDD的每一个元素，返回新的RDD
filter()接收函数，返回只包含满足filter()函数的元素的新RDD
筛选出第二列的数据，是对RDD中的元素进行过滤选择名为DataBase的列，返回形成新的RDD。
res = lines.map(lambda x:x.split(“,”)).filter(lambda x:x[1] == ’DataBase’)
显示res数值
res.count()
（6） 各门课程的平均分是多少；
lines存储的是Row object类型
map()接收函数，把函数应用到RDD的每一个元素，返回新的RDD
筛选出第二列和第三列的数据，并对数据进行过滤，累加，算出相关的数据之和，再进行平均分的算数。
res = lines.map(lambda x:x.split(“,”)).map(lambda x:(x[1],(int(x[2])),1))
对相同key的数据进行处理，最终每个key只保留一条记录,tem储存每科对应人数与每科总分
tem = res.reducByKey(ambda x,y(x[0]+y[0],x[1]+y[1]))
把数据以rdd的形式计算出每科平均分
avg = tem.map(lambda x(x[0],round(x[1][0]/x[1][1],2)))
使用foreach算子显示数据
avg.foreach(print)
（7） 使用累加器计算共有多少人选了DataBase这门课。
lines存储的是Row object类型
map()接收函数，把函数应用到RDD的每一个元素，返回新的RDD
filter()接收函数，返回只包含满足filter()函数的元素的新RDD
提取出第二列的数据，并对数据进行过滤，是对RDD中的元素进行过滤选择名为DataBase的列，返回形成新的RDD。
res = lines.map(lambda x:x.split(“,”)).filter(lambda x:x[1]==’DataBase’)
使用累加器
accum=sc.accumulator()
在foreach算子里使用累加器计算
res.foreach(lambda x:accum.add(1))
显示累加数据
accum.value
编写独立应用程序实现数据去重
进入cd/usr/local/spark/big查看相关文档是否存在
输入vim A.txt和vim B.txt，查看相关数据是否存在，再接着输入vim remdup.py，创建remdup.py文件,再接着对py文件进行编辑。
sc.textFile()读取本地文件，括号内输入文件的路径；
union()两个数据的并集
lines = lines1.union(lines2)
distinct()对相关数据进行去重,去重后将相关数据存到distinct_lines
distinct_lines=lines.distinct()
repartition(1)重新建立一个分区，并将生成的文件保存到C
res.repartition(1).saveAsTextFile(“file:///usr/local/spark/big/C”)
编辑完成后输入:wq!保存退出后再输入python3 remdup.py运行文件，运行完成后，输入命令：ls，查看是否生成C文件夹；进入C文件夹，再输入命令：ls，查看结果是否生成。输入命令：vim part-00000，查看数据是否进行合并，并进行去重。
编写独立应用程序实现求平均值问题
输入cd /usr/local/spark进入目录，输入命令：vim avg.py，创立py文件，并对文件进行编辑。
SortBy()按照处理后的数据比较结果排序，默认为正序。
reduceByKey()把RDD中的key相同的一组数据拿出来处理，形成一个新的RDD里面放的是元组
编写完成后，输入wq！保存并退出，输入命令：ls，查看是否生成result文件夹；输入命令：cd result，进入result文件夹；输入命令：ls，查看数据是否生成；输入命令：vim part-00000，查看数据是否生成。
在Spark中，不同的RDD之间具有依赖的关系。RDD与它所依赖的RDD的依赖关系有两种类型，分别是窄依赖（narrow dependency）和宽依赖（wide dependency）。当RDD执行map、filter及union和join操作时，都会产生窄依赖。RDD做map、filter和union算子操作时，是属于窄依赖的第一类表现；而RDD做join算子操作（对输入进行协同划分）时，是属于窄依赖表现的第二类。当RDD做groupByKey和join操作时，会产生宽依赖。
rdd编程初级实践(代码片段)
RDD编程初级实践一、pyspark交互式编程二、编写独立应用程序实现数据去重三、编写独立应用程序实现求平均值问题一、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... 查看详情
rdd编程初级实践（基于python）(代码片段)
RDD编程初级实践（基于python）1.实验目的2.实验环境3.实验数据3.1pyspark交互式编程（实验描述）3.2编写独立应用程序实现数据去重（实验描述）3.3编写独立应用程序实现求平均值问题（实验描述）3.4... 查看详情
rdd编程初级实践(代码片段)
RDD编程初级实践一、pyspark交互式编程二、编写独立应用程序实现数据去重三、编写独立应用程序实现求平均值问题一、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... 查看详情
实验4rdd编程初级实践(代码片段)
注意：spark的编码格式是utf-8，其他的格式会有乱码，所以文件要使用utf-8编码pom.xml：<?xmlversion="1.0"encoding="UTF-8"?><projectxmlns="http://maven.apache.org/POM/4.0.0"xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"xsi:schemaLocation="http://maven.apache.o... 查看详情
rdd编程初级实践
RDD编程初级实践一、实验目的（1）熟悉Spark的RDD基本操作及键值对操作；（2）熟悉使用RDD编程解决实际具体问题的方法。二、实验平台操作系统：Ubuntu16.04Spark版本：2.4.0Python版本：3.4.3三、实验内... 查看详情
实验4rdd编程初级实践
1．spark-shell交互式编程（1）该系总共有多少学生scala>vallines=sc.textFile("file:///usr/local/spark/sparklab/Data01.txt")lines:org.apache.spark.rdd.RDD[String]=file:///usr/local/spark/sparklab/Data01.txtMapPartitionsRDD[4]attextFileat<console>:24scala>valinfo=lines.map(ro... 查看详情
rdd编程初级实践
RDD编程初级实践一、实验目的（1）熟悉Spark的RDD基本操作及键值对操作；（2）熟悉使用RDD编程解决实际具体问题的方法。二、实验平台操作系统：Ubuntu16.04Spark版本：2.4.0Python版本：3.4.3三、实验内... 查看详情
第五周周二练习：实验5sparksql编程初级实践(代码片段)
1.题目：源码：importjava.util.Propertiesimportorg.apache.spark.sql.types._importorg.apache.spark.sql.Rowimportorg.apache.spark.sql.SparkSessionimportorg.apache.spark.sql.DataFrameReaderobjectTestMySQLdefma 查看详情
实验5mapreduce初级编程实践——编程实现文件合并和去重操作(代码片段)
一、实验目的通过实验掌握基本的MapReduce编程方法；掌握用MapReduce解决一些常见的数据处理问题，包括数据去重、数据排序和数据挖掘等。二、实验平台操作系统：Linux（建议Ubuntu16.04或Ubuntu18.04）Hadoop版本ÿ... 查看详情
实验5mapreduce初级编程实践——对给定的表格进行信息挖掘(代码片段)
一、实验目的通过实验掌握基本的MapReduce编程方法；掌握用MapReduce解决一些常见的数据处理问题，包括数据去重、数据排序和数据挖掘等。二、实验平台操作系统：Linux（建议Ubuntu16.04或Ubuntu18.04）Hadoop版本ÿ... 查看详情
rdd编程实践2-编写独立应用程序实现数据去重，实现求平均值问题(代码片段)
（1）编写独立应用程序实现数据去重packagemy.scalaimportorg.apache.spark.SparkConf,SparkContextobjectcase2defmain(args:Array[String]):Unit=valconf=newSparkConf().setMaster("local").setAppName("reduce")valsc=newSparkContext(conf)sc.setLogLevel("ERROR")//获取数据valtwo=sc.textFile("f... 查看详情
实验7spark初级编程实践(代码片段)
文章目录一、实验目的二、实验平台三、实验步骤1.准备工作（1）安装spark及其API程序（2）配置环境变量（3）启动Hadoop2.Spark读取文件系统的数据3.编写独立应用程序实现数据去重4.编写独立应用程序实现求... 查看详情
寒假学习报告13(代码片段)
实验4 RDD编程初级实践 一、实验目的（1）熟悉Spark的RDD基本操作及键值对操作；（2）熟悉使用RDD编程解决实际具体问题的方法。二、实验平台操作系统：Ubuntu16.04Spark版本：2.1.0三、实验内容和要求1．spark-shell交互式编程... 查看详情
实验5mapreduce初级编程实践（python实现）(代码片段)
一、实验目的通过实验掌握基本的MapReduce编程方法；掌握用MapReduce解决一些常见数据处理问题的方法，包括数据合并、数据去重、数据排序和数据挖掘等。二、实验平台操作系统：Ubuntu18.04（或Ubuntu16.04）Hadoop... 查看详情
实验5mapreduce初级编程实践——编程实现文件合并和去重操作(代码片段)
一、实验目的通过实验掌握基本的MapReduce编程方法；掌握用MapReduce解决一些常见的数据处理问题，包括数据去重、数据排序和数据挖掘等。二、实验平台操作系统：Linux（建议Ubuntu16.04或Ubuntu18.04）Hadoop版本ÿ... 查看详情
spark编程模型(上)(代码片段)
初识RDD什么是RDD？定义:Resilientdistributeddatasets(RDD),anefficient,general-purposeandfault-tolerantabstractionforsharingdatainclusterapplications. RDD是只读的。 RDD是分区记录的集合。 RDD是容错的。---lineageRDD是高效的。 RDD不 查看详情
r语言初级教程(01):r编程环境的搭建(代码片段)
R是目前最流行的高级编程语言之一，被广泛用于统计分析和数据可视化。R是开源的，有非常活跃的社区来支撑。想要了解更多有关R信息，可访问R的主页：https://www.r-project.org/。RStudio是R的一个集成开发环境(IDE)。使用它的话，R... 查看详情
spark之rdd编程(代码片段)
Spark对数据的核心抽象——弹性分布式数据集（ResilientDistributedDataset），简称RDD。RDD其实就是分布式的元素集合。在Spark中，对数据的所有操作不外乎创建RDD、转化已有RDD以及调用RDD操作进行求值。而在这背后，Spark会... 查看详情