RDD编程

 

1.读文本文件生成RDD lines

lines=sc.textFile('file:///home/hadoop/word.txt')

 

 

 

2.将一行一行的文本分割成单词 words

 

 words=lines.flatMap(lambda line:line.split())

 

 

 

 

3.全部转换为小写

words=lines.flatMap(lambda line:line.lower().split())

 

 

4.去掉长度小于3的单词

words1=lines.flatMap(lambda line:line.split()).filter(lambda line:len(line)>3)

 

 

5.去掉停用词

lines=sc.textFile('file:///usr/loaca/spark/stopwords.txt')

stop = lines.flatMap(lambda line : line.split()).collect()

lines=sc.textFile("f

words=lines.flatMap(lambda line:line.lower().split()).filter(lambda word:word not in stop)

le:///home/hadoop/word.txt")

 

 

 

 

6.转换成键值对 map()

words1=words.map(lambda word:(word.lower(),1))

 

 

7.统计词频 reduceByKey()

wordskv.reduceByKey(lambda a,b:a+b).collect()

8、按字母顺序排序 sortBy(f)

words2=words.map(lambda word:(word.lower(),1)).reduceByKey(lambda a,b:a+b).sortBy(lambda word:word[0])

 

 

9、按词频排序 sortByKey()

wordsk3=words.map(lambda word:(word.lower(),1)).reduceByKey(lambda a,b:a+b)

words3.sortByKey().collect()

 

 

二、学生课程分数案例

• 总共有多少学生？map(), distinct(), count()

• lines=sc.textFile('file:///usr/local/spark/chapter4-data01.txt')

• lines.map(lambda line : line.split(',')[0]).distinct().count()

• 

   

   

• 开设了多少门课程？

• lines.map(lambda line : line.split(',')[1]).distinct().count()

• 

   

   

• 每个学生选修了多少门课？map(), countByKey()

• lines.map(lambda line : line.split(',')).map(lambda line:(line[0],(line[1],line[2]))).countByKey()

• 

   

   

• 每门课程有多少个学生选？map(), countByValue()

• lines.map(lambda line : line.split(',')).map(lambda line : (line[1])).countByValue()

• 

   

   

• Tom选修了几门课？每门课多少分？filter(), map() RDD

• lines.filter(lambda line:'Tom' in line).map(lambda line:line.split(',')).collect()

• 

   

   

• Tom选修了几门课？每门课多少分？map(),lookup()  list

• lines.map(lambda line:line.split(',')).map(lambda line:(line[0],(line[1],line[2]))).lookup("Tom")

• 

   

   

• Tom的成绩按分数大小排序。filter(), map(), sortBy()

• lines.filter(lambda line:"Tom" in line).map(lambda line:line.split(',')).sortBy(lambda line:(line[2])).collect()

• 

   

   

• Tom的平均分。map(),lookup(),mean（）
• from numpy import mean
• tomlist=lines.map(lambda line:line.split(',')).map(lambda line:(line[0],line[2])).lookup("Tom")
• mean([int(x) for x in tomlist])

•