08 学生课程分数的Spark SQL分析
读学生课程分数文件chapter4-data01.txt,创建DataFrame。
一、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。
- 总共有多少学生?
- 总共开设了哪些课程?
- 每个学生选修了多少门课?
- 每门课程有多少个学生选?
- 每门课程大于95分的学生人数?
- Tom选修了几门课?每门课多少分?
- Tom的成绩按分数大小排序。
- Tom的平均分。
- 求每门课的平均分,最高分,最低分。
- 求每门课的选修人数及平均分,精确到2位小数。
- 每门课的不及格人数,通过率
- 结果可视化。
二、用SQL语句完成以上数据分析要求
- 每个分数+5分。
- 总共有多少学生?
- 总共开设了哪些课程?
- 每个学生选修了多少门课?
- 每门课程有多少个学生选?
- 每门课程大于95分的学生人数?
- Tom选修了几门课?每门课多少分?
- Tom的成绩按分数大小排序。
- Tom的平均分。
- 求每门课的平均分,最高分,最低分。
- 求每门课的选修人数及平均分,精确到2位小数。
- 每门课的不及格人数,通过率
三、对比分别用RDD操作实现、用DataFrame操作实现和用SQL语句实现的异同。(比较两个以上问题)
1.每个分数+5分
(1)sql实现
spark.sql("SELECT name,course,score+5 from scs").show()
(2)DataFrame操作实现
df_scs.select('name','course',df_scs.score+5).show()
(3)RDD实现
words = words.map(lambda x:(x[0],int(x[1])))
words.mapValues(lambda x:x+5).foreach(print)
2.总共有多少学生?
(1)sql实现
spark.sql("SELECT count(name) from scs").show()
(2)DataFrame操作实现
df_scs.select('name').distinct().count()
(3)RDD实现
lines.map(lambda line : line.split(',')[0]).distinct().count()
3.求每门课的选修人数及平均分,精确到2位小数。
(1)sql实现
spark.sql("SELECT course, count(name) as n,avg(score) as avg FROM scs group by course").show() #每门课的选修人数与平均分
(2)DataFrame操作实现
df_scs.groupBy('course').agg({'name':'count',"score": "mean"}).withColumnRenamed("avg(score)","'avg').withColumnRenamed("count(name)",'n').show()
df_scs.groupBy("course").avg("score").show()
df_scs.groupBy("course").count().show()
四、结果可视化。