用Spark做求平均成绩算法

##由于才开始学，此做法为只为结果，不为过程型

实验数据:

math.txt:　　　　　　English.txt:

Ben 98　　　　　　　Ben 89

Bean 99　　　　　　 Bean 98

Harry 89 　　　　　　Harry 78

Sam 79　　　　　　　Sam 87

Tom 80　　　　　　　Tom 80

 

from pyspark import SparkContext

#定义的函数，用于把两个文件的list合并转换成(Tome,80)形式

def TurnDict(dict1):

keys = []

values =[]

for i in range(0,len(dict1)):

if i % 2 != 0:

values.append(int(dict1[i]))

else:

keys.append(dict1[i])

dict2 = zip(keys,values)

return dict2

sc = SparkContext('local','AvGrade')

#创建RDD

rdd1 = sc.textFile("file:///usr/local/spark/mycode/TestPackage/math.txt")

rdd2 = sc.textFile("file:///usr/local/spark/mycode/TestPackage/English.txt")

#对与数据流按" "切割，并且调用map函数转换成(Tom ,1)形式，在接着用keys把key值取出来，再用collect()单独为一个列表

pairRDD1 = rdd1.flatMap(lambda line : (line.split(" ")[0],line.split(" ")[1])).map(lambda x : (x,1)).keys().collect()

pairRDD2 = rdd2.flatMap(lambda line : (line.split(" ")[0],line.split(" ")[1])).map(lambda x : (x,1)).keys().collect()

把字典转换成DataFrame

pairRDD_1 = sc.parallelize(TurnDict(pairRDD1))

pairRDD_2 = sc.parallelize(TurnDict(pairRDD2))

'''

pairRDD = pairRDD_1.join(pairRDD_2)

pairRDD.reduceByKey(lambda x,y : (x+y)).foreach(print)

'''

#把两个RDD里面的值合并为一个列表

pairRDD_1_N = pairRDD_1.collect()

pairRDD_2_N = pairRDD_2.collect()

for i in pairRDD_1_N:

pairRDD_2_N.append(i)

 

#再转换成RDD

pairRDD = sc.parallelize(pairRDD_2_N)

#调用reducByKey进行计算

result =pairRDD.reduceByKey(lambda x,y : ((x+y)/2))

#打印值

result.foreach(print)