1.pyspark交互式編程
查看群里發的“data01.txt”數據集，該數據集包含了某大學計算機系的成績，數據格式如下所示：
| Tom,DataBase,80 Tom,Algorithm,50 Tom,DataStructure,60 Jim,DataBase,90 Jim,Algorithm,60 Jim,DataStructure,80 …… |
請根據給定的實驗數據，在pyspark中通過編程來計算以下內容：
（1） 該系總共有多少學生；
>>> lines = sc.textFile("file:///usr/local/spark/sparksqldata/Data01.txt")
>>> res = lines.map(lambda x:x.split(",")).map(lambda x: x[0]) //獲取每行數據的第1列
>>> distinct_res = res.distinct() //去重操作
>>> distinct_res.count()//取元素總個數
答案為：265人
（2） 該系共開設了多少門課程；
>>> lines = sc.textFile("file:///usr/local/spark/sparksqldata/Data01.txt")
>>> res = lines.map(lambda x:x.split(",")).map(lambda x:x[1]) //獲取每行數據的第2列
>>> distinct_res = res.distinct()//去重操作
>>> distinct_res.count()//取元素總個數
答案為8門
（3） Tom同學的總成績平均分是多少；
>>> lines = sc.textFile("file:///usr/local/spark/sparksqldata/Data01.txt")
>>> res = lines.map(lambda x:x.split(",")).filter(lambda x:x[0]=="Tom") //篩選Tom同學的成績信息
>>> res.foreach(print)
>>> score = res.map(lambda x:int(x[2])) //提取Tom同學的每門成績，並轉換為int類型
>>> num = res.count() //Tom同學選課門數
>>> sum_score = score.reduce(lambda x,y:x+y) //Tom同學的總成績
>>> avg = sum_score/num // 總成績/門數=平均分
>>> print(avg)
Tom同學的平均分為30.8分
（4） 求每名同學的選修的課程門數；
>>> lines = sc.textFile("file:///usr/local/spark/sparksqldata/Data01.txt")
>>> res = lines.map(lambda x:x.split(",")).map(lambda x:(x[0],1)) //學生每門課程都對應(學生姓名,1)，學生有n門課程則有n個(學生姓名,1)
>>> each_res = res.reduceByKey(lambda x,y: x+y) //按學生姓名獲取每個學生的選課總數
>>> each_res.foreach(print)
('Lewis', 4)答案共265行
('Mike', 3)
('Walter', 4)
('Conrad', 2)
('Borg', 4)
……
（5） 該系DataBase課程共有多少人選修；
>>> lines = sc.textFile("file:///usr/local/spark/sparksqldata/Data01.txt")
>>> res = lines.map(lambda x:x.split(",")).filter(lambda x:x[1]=="DataBase")
>>> res.count()
答案為126人
（6） 各門課程的平均分是多少；
>>> lines = sc.textFile("file:///usr/local/spark/sparksqldata/Data01.txt")
>>> res = lines.map(lambda x:x.split(",")).map(lambda x:(x[1],(int(x[2]),1))) //為每門課程的分數后面新增一列1，表示1個學生選擇了該課程。格式如('ComputerNetwork', (44, 1))
>>> temp = res.reduceByKey(lambda x,y:(x[0]+y[0],x[1]+y[1])) //按課程名聚合課程總分和選課人數。格式如('ComputerNetwork', (7370, 142))
>>> avg = temp.map(lambda x:(x[0], round(x[1][0]/x[1][1],2)))//課程總分/選課人數 = 平均分，並利用round(x,2)保留兩位小數
>>> avg.foreach(print)
答案為：
('ComputerNetwork', 51.9)
('Software', 50.91)
('DataBase', 50.54)
('Algorithm', 48.83)
('OperatingSystem', 54.94)
('Python', 57.82)
('DataStructure', 47.57)
('CLanguage', 50.61)
（7）使用累加器計算共有多少人選了DataBase這門課。
>>> lines = sc.textFile("file:///usr/local/spark/sparksqldata/Data01.txt")
>>> res = lines.map(lambda x:x.split(",")).filter(lambda x:x[1]=="DataBase")//篩選出選了DataBase課程的數據
>>> accum = sc.accumulator(0) //定義一個從0開始的累加器accum
>>> res.foreach(lambda x:accum.add(1))//遍歷res，每掃描一條數據，累加器加1
>>> accum.value //輸出累加器的最終值
答案：共有126人
2.編寫獨立應用程序實現數據去重
對於兩個輸入文件A和B，編寫Spark獨立應用程序，對兩個文件進行合並，並剔除其中重復的內容，得到一個新文件C。下面是輸入文件和輸出文件的一個樣例，供參考。
輸入文件A的樣例如下：
20170101 x
20170102 y
20170103 x
20170104 y
20170105 z
20170106 z
輸入文件B的樣例如下：
20170101 y
20170102 y
20170103 x
20170104 z
20170105 y
根據輸入的文件A和B合並得到的輸出文件C的樣例如下：
20170101 x
20170101 y
20170102 y
20170103 x
20170104 y
20170104 z
20170105 y
20170105 z
20170106 z
實驗答案參考步驟如下：
（1）假設當前目錄為/usr/local/spark/mycode/remdup，在當前目錄下新建一個remdup.py文件，復制下面代碼；
from pyspark import SparkContext
#初始化SparkContext
sc = SparkContext('local','remdup')
#加載兩個文件A和B
lines1 = sc.textFile("file:///usr/local/spark/mycode/remdup/A")
lines2 = sc.textFile("file:///usr/local/spark/mycode/remdup/B")
#合並兩個文件的內容
lines = lines1.union(lines2)
#去重操作
distinct_lines = lines.distinct()
#排序操作
res = distinct_lines.sortBy(lambda x:x)
#將結果寫入result文件中，repartition(1)的作用是讓結果合並到一個文件中，不加的話會結果寫入到兩個文件
res.repartition(1).saveAsTextFile("file:///usr/local/spark/mycode/result/file")
（2）最后在目錄/usr/local/spark/mycode/remdup下執行下面命令執行程序（注意執行程序時請先退出pyspark shell，否則會出現“地址已在使用”的警告）；
$ python3 remdup.py
（3）在目錄/usr/local/spark/mycode/remdup/result下即可得到結果文件part-00000。
3.編寫獨立應用程序實現求平均值問題
每個輸入文件表示班級學生某個學科的成績，每行內容由兩個字段組成，第一個是學生名字，第二個是學生的成績；編寫Spark獨立應用程序求出所有學生的平均成績，並輸出到一個新文件中。下面是輸入文件和輸出文件的一個樣例，供參考。
Algorithm成績：
小明 92
小紅 87
小新 82
小麗 90
Database成績：
小明 95
小紅 81
小新 89
小麗 85
Python成績：
小明 82
小紅 83
小新 94
小麗 91
平均成績如下：
(小紅,83.67)
(小新,88.33)
(小明,89.67)
(小麗,88.67)
實驗答案參考步驟如下：
（1）假設當前目錄為/usr/local/spark/mycode/avgscore，在當前目錄下新建一個avgscore.py，復制下面代碼；
from pyspark import SparkContext
#初始化SparkContext
sc = SparkContext('local',' avgscore')
#加載三個文件Algorithm.txt、Database.txt和Python.txt
lines1 = sc.textFile("file:///usr/local/spark/mycode/avgscore/Algorithm.txt")
lines2 = sc.textFile("file:///usr/local/spark/mycode/avgscore/Database.txt")
lines3 = sc.textFile("file:///usr/local/spark/mycode/avgscore/Python.txt")
#合並三個文件的內容
lines = lines1.union(lines2).union(lines3)
#為每行數據新增一列1，方便后續統計每個學生選修的課程數目。data的數據格式為('小明', (92, 1))
data = lines.map(lambda x:x.split(" ")).map(lambda x:(x[0],(int(x[1]),1)))
#根據key也就是學生姓名合計每門課程的成績，以及選修的課程數目。res的數據格式為('小明', (269, 3))
res = data.reduceByKey(lambda x,y:(x[0]+y[0],x[1]+y[1]))
#利用總成績除以選修的課程數來計算每個學生的每門課程的平均分，並利用round(x,2)保留兩位小數
result = res.map(lambda x:(x[0],round(x[1][0]/x[1][1],2)))
#將結果寫入result文件中，repartition(1)的作用是讓結果合並到一個文件中，不加的話會結果寫入到三個文件
result.repartition(1).saveAsTextFile("file:///usr/local/spark/mycode/avgscore/result")
（2）最后在目錄/usr/local/spark/mycode/avgscore下執行下面命令執行程序（注意執行程序時請先退出pyspark shell，否則會出現“地址已在使用”的警告）。
$ python3 avgscore.py
（3）在目錄/usr/local/spark/mycode/avgscore/result下即可得到結果文件part-00000。