码迷,mamicode.com
首页 > 其他好文 > 详细

RDD练习:词频统计

时间:2021-04-06 15:08:22      阅读:0      评论:0      收藏:0      [点我收藏+]

标签:lte   text   选修课   文本文件   rgba   line   键值   http   park   

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()

lines=sc.textFile("file:///usr/local/spark/mycode/wordcount/word.txt")
words = lines.flatMap(lambda line:line.split()).collect()
print(words)

3.全部转换为小写 lower()

sc.parallelize(words).map(lambda line: line.lower()).collect()

技术图片

4.去掉长度小于3的单词 filter()

words1=sc.parallelize(words)
words1.collect()
words1.filter(lambda word:len(word)>3).collect()

技术图片

5.去掉停用词

with open(/usr/local/spark/mycode/stopwords.txt)as f:
    stops=f.read().split()
words1.filter(lambda word:word not in stops).collect()

技术图片

6.转换成键值对 map()

words1.map(lambda word:(word,1)).collect()

技术图片

7.统计词频 reduceByKey()

words1.map(lambda word:(word,1)).reduceByKey(lambda a,b:b+b).collect()

技术图片

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()

lines = sc.textFile(file:///usr/local/spark/mycode/chapter4-data01.txt)
lines.take(5)

2. 生成键值对 map()

lines.map(lambda line:line.split(,)).take(5)

3. 按键分组 

lines.map(lambda line:line.split(,)).map(lambda line:(line[1],(line[0],line[2]))).take(5)

4. 输出汇总结果

groupByCoure=lines.map(lambda line:line.split(,)).map(lambda line:(line[1],(line[0],line[2]))).groupByKey()
for i in groupByCoure.first()[1]:
     print(i)

 技术图片技术图片

三、学生课程分数 reduceByKey()

-- 每门课程的选修人数

lines = sc.textFile(file:///usr/local/spark/mycode/chapter4-data01.txt)>>> number=lines.map(lambda line:line.split(,)).map(lambda line:(line[1],1))
number1 = number.reduceByKey(lambda x,y:x+y)
number1.collect()

技术图片

number=lines.map(lambda line:line.split(,)).map(lambda line:(line[0],1))
number2 = number.reduceByKey(lambda x,y:x+y)
number2.collect()

-- 每个学生的选修课程数

 技术图片

RDD练习:词频统计

标签:lte   text   选修课   文本文件   rgba   line   键值   http   park   

原文地址:https://www.cnblogs.com/jieninice/p/14617633.html

(0)
(0)
   
举报
评论 一句话评论(0
登录后才能评论!
© 2014 mamicode.com 版权所有  联系我们:gaon5@hotmail.com
迷上了代码!