一、词频统计：

　　1读文本文件生成RDD lines

　　lines=sc.textFile("file:///usr/local/spark/mycode/rdd/word.txt")
　　lines.foreach(print)

　　2将一行一行的文本分割成单词 words flatmap()

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

　　3全部转换为小写 lower()

　　words1=lines.map(lambda word:word.lower())
　　words1.foreach(print)

　　4去掉长度小于3的单词 filter()

　　word=words.filter(lambda words:len(words)>2)
　　words.foreach(print)

　　5去掉停用词

　　with open("/usr/local/spark/mycode/rdd/stopwords.txt") as f:
　　stops=f.read().split()
　　lines.flatMap(lambda line:line.split()).filter(lambda word:word not in stops).collect()

　　6转换成键值对 map()

　　words.map(lambda word:(word,1)).collect()

　　7统计词频 reduceByKey()

　　words.map(lambda word:(word,1)).reduceByKey(lambda a,b:a+b).collect()

　　8按字母顺序排序 sortBy(f)

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

　　9按词频排序 sortByKey()

　　words.map(lambda word:(word.lower(),1)).reduceByKey(lambda a,b:a+b).sortBy(lambda word:word[1],False).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/mycode/rdd/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()

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

name.take(5)

name.count()

name.countByKey()

每门课程有多少个学生选？map(), countByValue()

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

Tom选修了几门课？每门课多少分？filter(), map() RDD

Tom=lines.filter(lambda line:'Tom' in line).map(lambda line:line.split(','))
Tom.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[2])).lookup('Tom')

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

Tom.sortBy(lambda word:word[2],False).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])