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。

1.生成“表头”

 

 

 2.生成“表中的记录”

 

 

 

 

 

 3.把“表头”和“表中的记录”拼装在一起

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：

一、DataFrame的操作

• 每个分数+5分。

• df_scs.select('name','cource',df_scs['score']+5).show()

• 
• 总共有多少学生？

• df_scs.select('name').distinct().count()

• 
• 总共开设了哪些课程？
• df_scs.select('cource').distinct().show()
• 
• 每个学生选修了多少门课？
• df_scs.groupBy('name').count().show()
• 
• 每门课程有多少个学生选？
• df_scs.groupBy('cource').count().show()
• 
• 每门课程大于95分的学生人数？
• df_scs.filter(df_scs['score']>95).groupBy('cource').count().show()
• 
• Tom选修了几门课？每门课多少分？
• df_scs.filter(df_scs['name']=='Tom').show()
• 
• Tom的成绩按分数大小排序。
• df_scs.filter(df_scs['name']=='Tom').sort(df_scs['score'].desc()).show()
• 
• Tom的平均分。
• df_scs.filter(df_scs['name']=='Tom').agg({'score':'mean'}).show()
• 
• 求每门课的平均分，最高分，最低分。
• 每门课的平均分：
• df_scs.groupBy("cource").avg('score').show()
• 

  df_scs.groupBy("cource").agg({'score':'mean'}).show()

   

• 每门课的最高分：

•  df_scs.groupBy("cource").max('score').show()

   

  df_scs.groupBy("cource").agg({'score':'max'}).show()

   

• 每门课的最低分：

•  df_scs.groupBy("cource").min('score').show()

   

   

   

    df_scs.groupBy("cource").agg({'score':'min'}).show()

• 
• 求每门课的选修人数及平均分，精确到2位小数。
•  from pyspark.sql.types import DecimalType

• dt = df_scs.groupBy('cource').count().join(df_scs.groupBy('cource').agg({'score':'mean'}),'cource').withColumnRenamed('avg(score)','avg_score')

• dt.withColumn('avg_score',dt.avg_score.cast(DecimalType(5,2))).show()
• 
• 每门课的不及格人数，通过率
• df_scs.filter(df_scs.score<60).groupBy(df_scs.cource).count().show()
• 
• 结果可视化。

 

二、用SQL语句完成以下数据分析要求

必须把DataFrame注册为临时表

df_scs.createOrReplaceTempView('scs')

• 每个分数+5分。
  • spark.sql("SELECT name,course,score+5 from scs").show()
  • 
• 总共有多少学生？
  • spark.sql("SELECT count(name) from scs").show()
  • 
• 总共开设了哪些课程？
  • spark.sql("SELECT distinct(course) from scs").show()
  • 
• 每个学生选修了多少门课？
  • spark.sql("SELECT name,count(course) from scs group by name").show()
  • 
• 每门课程有多少个学生选？
  • spark.sql("SELECT count(name),course from scs group by course").show()
  • 
• 每门课程大于95分的学生人数？
  • spark.sql("SELECT count(name),course from scs where score>95 group by course").show()
  • 
• Tom选修了几门课？每门课多少分
  • spark.sql("SELECT count(course) from scs where name='Tom'").show()
  • spark.sql("SELECT course,score from scs where name='Tom'").show()
  • 　　
• Tom的成绩按分数大小排序。
  • (从大到小 desc 从小到大 asc)
  • spark.sql("SELECT course,score from scs where name='Tom' order by score desc").show()
  • 
• Tom的平均分。
  • spark.sql("SELECT avg(score) from scs where name='Tom'").show()
  • 
• 求每门课的平均分，最高分，最低分。
  • spark.sql("SELECT course,avg(score),max(score),min(score) from scs group by course").show()
  • 
• 求每门课的选修人数及平均分，精确到2位小数。

  • spark.sql("SELECT course,count(course),round(avg(score),2) from scs group by course").show()

  • 
• 每门课的不及格人数，通过率（未成功）

  • spark.sql("SELECT a.nopass,(b.total-a.nopass)/b.total from (SELECT course,distinct(count(*))as nopass from scs where score<60 group by course)as a left join (SELECT course,distinct(count(course))as total from scs group by course)as b on a.course=b.course").show()

  • spark.sql("SELECT course, count(name) as n, avg(score) as avg FROM scs group by course").createOrReplaceTempView("a")

    spark.sql("SELECT course, count(score) as notPass FROM scs WHERE score<60 group by course").createOrReplaceTempView("b")

    spark.sql("SELECT * FROM a left join b on a.course=b.course").show()

    spark.sql("SELECT a.course, round(a.avg, 2), b.notPass, round((a.n-b.notPass)/a.n, 2) as passRat FROM a left join b on a.course=b.course").show()