•  

• 1．pyspark交互式编程

本作业提供分析数据data.txt，该数据集包含了某大学计算机系的成绩，数据格式如下所示：

请根据给定的实验数据，在pyspark中通过编程来计算以下内容：

• 该系总共有多少学生；

1.创建RDD

2.拆分每行记录，取出每行的第一个元素

3.去除文件中的重复记录

4.统计所有会重复记录。

• 该系共开设了多少门课程；

1.创建RDD

2.拆分每行记录，取出每行的第一个元素

3.去除文件中的重复记录

4.统计所有会重复记录。

• Tom同学的总成绩平均分是多少；

1.提取Tom的每门成绩，并转化为int类型

2.统计Tom的课程数

3.统计Tom的总成绩

• 求每名同学的选修的课程门数；

1.创建RDD

2.求出学生每门课程对应（学生姓名，1），学生有n门课程，则有n个学生

3.按学生姓名为key，获取每个学生的课程总数

4.按照学生姓名分组，统计他们选课程数。

• 该系DataBase课程共有多少人选修；

1.创建RDD

2.选定课程DataBase

3.输出结果

• 各门课程的平均分是多少；

1.创建RDD

2.为每门课程的分数后面新增一列，表示一个学生选择了该门课程

3.按课程名称统计总分数和选课人数

4.求平均分

• 使用累加器计算共有多少人选了DataBase这门课。

1.创建RDD

2.选定课程DataBase

3.使用累加器计算

2.编写独立应用程序实现数据去重

对于两个输入文件A和B，编写Spark独立应用程序，对两个文件进行合并，并剔除其中重复的内容，得到一个新文件C。本文给出门课的成绩（A.txt、B.txt）下面是输入文件和输出文件的一个样例，供参考。

输入文件A的样例如下：

20200101    x

20200102    y

20200103    x

20200104    y

20200105    z

20200106    z

输入文件B的样例如下：

20200101    y

20200102    y

20200103    x

20200104    z

20200105    y

根据输入的文件A和B合并得到的输出文件C的样例如下：

20200101    x

20200101    y

20200102    y

20200103    x

20200104    y

20200104    z

20200105    y

20200105    z

20200106    z

实验步骤如下：

• 当前目录为/usr/local/spark/sparksqldata/，在当前目录下新建一个C.py文件

• 

• 

   

• 向C.py文件写入内容如下：

• 

   

• 在目录为/usr/local/spark/sparksqldata/下执行下面命令执行程序.(注意运行前缀为python8,若使用python3，可能会运行显示不成功。)

• 

• 在目录/usr/local/spark/sparksqldata/result下即可得到结果文件part-00000。

• 

  结果

•  

• 

  

   

3.编写独立应用程序实现求平均值问题

每个输入文件表示班级学生某个学科的成绩，每行内容由两个字段组成，第一个是学生名字，第二个是学生的成绩；编写Spark独立应用程序求出所有学生的平均成绩，并输出到一个新文件中。本文给出门课的成绩（Algorithm.txt、Database.txt、Python.txt），下面是输入文件和输出文件的一个样例，供参考。

Algorithm成绩：

小明 92

小红 87

小新 82

小丽 90

Database成绩：

小明 95

小红 81

小新 89

小丽 85

Python成绩：

小明 82

小红 83

小新 94

小丽 91

平均成绩如下：

    (小红,83.67)

    (小新,88.33)

    (小明,89.67)

(小丽,88.67)

实验步骤如下：

• 当前目录为/usr/local/spark/mycode/avgscore，在当前目录下新建一个avgscore.py,并将数据文件“Algorithm.txt、Database.txt、Python.txt”放入该文件夹下。

• 

• 

•  
• 向avgscore.py文件写入内容如下：

• 

•  
• 在目录为/usr/local/spark/mycode/avgscore下执行如图命令执行程序.(注意运行前缀为python3.8,若使用python3，可能会运行显示不成功。)

• 

• 

• 4.结果。