05 RDD编程

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 lower()

 

4.去掉长度小于3的单词 filter()

 

5.去掉停用词

 

6.转换成键值对 map()

7.统计词频 reduceByKey()

 

8.按字母顺序排序 sortBy(f)

 

9.按词频排序 sortByKey()

 

 10.结果文件保存 saveAsTextFile(out_url)

 

 

 11.词频结果可视化charts.WordCloud()   （调用render()没有反应）

 

 

 

 12.比较不同框架下（Python、MapReduce、Hive和Spark），实现词频统计思想与技术上的不同，各有什么优缺点.

 Python实现词频统计通过代码，就是自定义循环列表读取文件。

MapReduce通过提交任务的方法来完成。

Hive通过自己的HQL语言实现

Spark可以使用多种语言实现

综上，Map和Reduce两种操作，编写好的代码要打包运行，不能通过shell进行交互式处理，如果程序改动需要重新打成jar包。Hive的HQL表达能力有限迭代式算法无法表达，调优比较困难，可控性差。而Spark更快，容易使用，通用性高。

 

 

二、学生课程案例分析

1.总共有多少学生？map(), distinct(), count()

 

2.开设了多少门课程？

 

3.每个学生选修了多少门课？map(), countByKey()

 

4.每门课程有多少个学生选？map(), countByValue()

 

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

 

6.Henry选修了几门课？每门课多少分？map(),lookup()  list

 

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

 

8.Henry的平均分。map(),lookup(),mean()

 

 

9.生成（课程，分数）RDD，观察keys(),values()

10.每个分数+5分。mapValues(func)

11.求每门课的选修人数及所有人的总分。combineByKey()

12.求每门课的选修人数及平均分，精确到2位小数。map()，round()

13.求每门课的选修人数及平均分。用reduceByKey()实现，并比较与combineByKey()的异同。

 14.结果可视化。charts,Bar()   course.keys（）对上course.keys（）是可以运行的，course.keys（）对上course.values（）或者course.map（lambda x:x[x]).collect()就会出现断言错误，*len(x_axis)=len(y_axis)*