一、词频统计：

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 flatmap(

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

 3.全部转换为小写 lower()

1 words=lines.flatMap(lambda line:line.lower().split()).collect()
2 words=lines.flatMap(lambda line:line.lower().split())
3 words.collect()

 4.去掉长度小于3的单词 filter()

words.filter(lambda word : len(word)>3).collect()

 5.去掉停用词

1 # 准备文本
2 lines = sc.textFile('file:///home/hadoop/stopwords.txt')
3 stop = lines.flatMap(lambda line : line.split()).collect()
4 # 去除停用词
5 words=lines.flatMap(lambda line:line.lower().split()).filter(lambda word : word not in stop)
6 words.collect()

 6.转换成键值对 map()

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

 7.统计词频 reduceByKey()

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

 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,1)).reduceByKey(lambda a,b:a+b).sortByKey().collect()

二、学生课程分数案例

• 共有多少学生？map(), distinct(), count()
• 开设了多少门课程？
• 每个学生选修了多少门课？map(), countByKey()

   

• 每门课程有多少个学生选？map(), countByValue()
• Tom选修了几门课？每门课多少分？filter(), map() RDD
• Tom选修了几门课？每门课多少分？map(),lookup()  list
• Tom的成绩按分数大小排序。filter(), map(), sortBy()
• Tom的平均分。map(),lookup(),mean()