标签:map collect 练习 lines RDD 词频 words line lambda
一、词频统计:
1.读文本文件生成RDD lines
2.将一行一行的文本分割成单词 words flatmap()
3.全部转换为小写 lower()
4.去掉长度小于3的单词 filter()
5.去掉停用词
6.转换成键值对 map()
7.统计词频 reduceByKey()
二、学生课程分数 groupByKey()
-- 按课程汇总全总学生和分数
1. 分解出字段 map()
2. 生成键值对 map()
3. 按键分组
4. 输出汇总结果
三、学生课程分数 reduceByKey()
-- 每门课程的选修人数
-- 每个学生的选修课程数
1.读文本文件生成RDD lines
lines = sc.textFile('file:///home/hadoop/word.txt')
lines.collect()
2.将一行一行的文本分割成单词 words
words=lines.flatMap(lambda line:line.split())
words.collect()
3.全部转换为小写
words=lines.flatMap(lambda line:line.lower().split())
words.collect()
4.去掉长度小于3的单词
words=lines.flatMap(lambda line:line.split()).filter(lambda line:len(line)>3)
words.collect()
5.去掉停用词
1.准备停用词文本:
lines = sc.textFile('file:///home/hadoop/stopwords.txt')
stop = lines.flatMap(lambda line : line.split()).collect()
stop
2.去除停用词:
lines=sc.textFile("file:///home/hadoop/word.txt")
words=lines.flatMap(lambda line:line.lower().split()).filter(lambda word:word not in stop)
words
words.collect()
6.转换成键值对 map()
wordskv=words.map(lambda word:(word.lower(),1))
wordskv.collect()
7.统计词频 reduceByKey()
wordskv.reduceByKey(lambda a,b:a+b).collect()
二、学生课程分数 groupByKey()
-- 按课程汇总全总学生和分数
1. 分解出字段 map()
2. 生成键值对 map()
3. 按键分组
4. 输出汇总结果
1.读大学计算机系的成绩数据集生成RDD
lines = sc.textFile('file:///home/hadoop/chapter4-data01.txt')
lines.take(6)
2.按科目汇总学生和分数
groupByCourse=lines.map(lambda line:line.split(',')).map(lambda line:(line[1],(line[0],line[2]))).groupByKey()
groupByCourse.first()
for i in groupByCourse.first()[1]:
... print(i)
三、学生课程分数 reduceByKey()
-- 每门课程的选修人数
lines=sc.textFile('file:///home/hadoop/chapter4-data01.txt')
reduceByClass=lines.map(lambda line:line.split(',')). map(lambda line:(line[1],1))
reduceByClass.reduceByKey(lambda a,b:a+b).collect()
-- 每个学生的选修课程数
reduceByName=lines.map(lambda line:line.split(',')).map(lambda line:(line[0],1))
reduceByName.reduceByKey(lambda a,b:a+b).collect()
标签:map,collect,练习,lines,RDD,词频,words,line,lambda 来源: https://www.cnblogs.com/vicry/p/14619183.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。