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：
- 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()
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,cource,score+5 FROM scs").show()
- 总共有多少学生？
-
spark.sql("SELECT count(distinct name) FROM scs").show()
-
-
- 总共开设了哪些课程？
-
spark.sql("SELECT distinct(cource) 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 cource,count(name) FROM scs group by cource").show()
- 每门课程大于95分的学生人数？
-
spark.sql("SELECT cource,count(name) FROM scs where score>95 group by cource").show()
-
- Tom选修了几门课？每门课多少分
- spark.sql("SELECT name,cource,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 cource,score FROM scs where name='Tom' order by score desc").show()
- Tom的平均分。
- spark.sql("SELECT name,avg(score) FROM scs where name='Tom'group by name").show()
- 求每门课的平均分，最高分，最低分。
-
spark.sql("SELECT cource,round(avg(score),2),max(score),min(score) FROM scs group by cource").show()
-
- 求每门课的选修人数及平均分，精确到2位小数。
-
spark.sql("SELECT cource,count(cource),round(avg(score),2) FROM scs group by cource").show()
-
- 每门课的不及格人数，通过率（未成功）
-
spark.sql("SELECT cource,SUM(failed) AS failedNumber,CAST(SUM(passNumber) / COUNT(1) AS DECIMAL(5,2)) AS passRate FROM (SELECT cource,(CASE WHEN score>=60 THEN 1 ELSE 0 END) AS passNumber,(CASE WHEN score<60 THEN 1 ELSE 0 END) AS failed FROM scs) group by cource").show()
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)
四、结果可视化
rates=spark.sql("SELECT cource,SUM(failed) AS failedNumber,CAST(SUM(passNumber) / COUNT(1) AS DECIMAL(5,2)) AS passRate FROM (SELECT cource,(CASE WHEN score>=60 THEN 1 ELSE 0 END) AS passNumber,(CASE WHEN score<60 THEN 1 ELSE 0 END) AS failed FROM scs) group by cource")
from pyecharts.charts import Bar
from pyecharts import options as opts
from pyecharts.globals import ThemeType
bar = Bar(init_opts=opts.InitOpts(theme=ThemeType.LIGHT))
bar.add_xaxis([row.cource for row in rates.collect()])
bar.add_yaxis('rate(%)',[row.passRate*100 for row in rates.collect()])
bar.set_global_opts(title_opts=opts.TitleOpts(title="各课程", subtitle="通过率"),xaxis_opts=opts.AxisOpts(axislabel_opts=opts.LabelOpts(rotate=-15)),yaxis_opts=opts.AxisOpts(max_=100))
bar.render()
