标签：分数 name show df 每门 course score SQL Spark
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
from pyspark.sql.types import *
from pyspark.sql import Row
# 下面生成“表头”
fields = [StructField('name',StringType(),True),StructField('course',StringType(),True),StructField('score',IntegerType(),True)]
schema = StructType(fields)
# 下面生成“表中的记录”
lines = spark.sparkContext.textFile("file:///usr/local/spark/mycode/rdd/chapter4-data01.txt")
parts = lines.map(lambda x: x.split(","))
data = parts.map(lambda p:Row(p[0],p[1],int(p[2])))
# 把“表头”和“表中的记录”拼接在一起
df = spark.createDataFrame(data,schema)
df.printSchema()
df.show()
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.select('name','course',df.score+5).show()
- 总共有多少学生？
df.select('name').distinct().count()
- 总共开设了哪些课程？
df.select('course').distinct().show()
- 每个学生选修了多少门课？
df.groupBy('name').count().show()
- 每门课程有多少个学生选？
df.groupBy('course').count().show()
- 每门课程大于95分的学生人数？
df.filter(df.score>95).groupBy('course').count().show()
- Tom选修了几门课？每门课多少分？
df.filter(df.name == 'Tom').show()
- Tom的成绩按分数大小排序。
df.filter(df.name == 'Tom').orderBy(df.score).show()
- Tom的平均分。
df.filter(df.name == 'Tom').agg({"score":"mean"}).show()
- 求每门课的平均分，最高分，最低分。
# 求每门课的平均分
df.groupBy('course').avg('score').show()
# 求每门课的最高分
df.groupBy('course').max('score').show()
# 求每门课的最低分
df.groupBy('course').min('score').show()
- 求每门课的选修人数及平均分，精确到2位小数。
from pyspark.sql.functions import *
df.select(countDistinct('name').alias('学生人数'),countDistinct('course').alias('课程数'),round(mean('score'),2).alias('所有课的平均分')).show()
- 每门课的不及格人数，通过率
df.filter(df.score<60).groupBy('course').count().show()
- 结果可视化。
标签：分数,name,show,df,每门,course,score,SQL,Spark 来源： https://www.cnblogs.com/86xiang/p/14788299.html
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。