zoukankan      html  css  js  c++  java
  • RDD练习:词频统计

    一、词频统计:

    1.读文本文件生成RDD lines

    lines=sc.textFile("file:///home/hadoop/word.txt")   #读取本地文件
    lines.collect()

    2.将一行一行的文本分割成单词 words flatmap()

    words=lines.flatMap(lambda line:line.split())   #划分单词
    words.collect()

    3.全部转换为小写 lower()

    words=words.map(lambda line:line.lower())   #变为小写
    words.collect()

    4.去掉长度小于3的单词 filter()

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

    5.去掉停用词

    with open('/home/hadoop/stopwords.txt')
         stops=f.read().split()
    
    words=words.filter(lambda word:word not in stops)
    words.count()
    words.collect()

    6.转换成键值对 map()

    words=words.map(lambda word:(word,1))
    words.collect()

    7.统计词频 reduceByKey()

    words=words.reduceByKey(lambda a,b:a+b)
    words.collect()

     

    二、学生课程分数 groupByKey()

    -- 按课程汇总全总学生和分数

    lines = sc.textFile('file:///home/hadoop/chapter4-data01.txt')
    lines.take(5)

    1. 分解出字段 map()

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

    2. 生成键值对 map()

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

    3. 按键分组 

    group=group.groupByKey()
    group.take(5)

    4. 输出汇总结果

    groupByCourse=group
    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

    count=lines.map(lambda line:line.split(',')).map(lambda line:(line[1],1))
    count=count.reduceByKey(lambda a,b:a+b)
    count.take(5)

    -- 每个学生的选修课程数

    count=lines.map(lambda line:line.split(',')).map(lambda line:(line[0],1))
    count=count.reduceByKey(lambda a,b:a+b)
    count.take(5)

  • 相关阅读:
    6 网络爬虫引发的问题及Robots协议
    WEB测试方法总结-笔记(转)
    最全的Http协议、get和post请求的整理
    random()函数的应用---面试
    求两个列表的交集、差集、并集---面试
    python中函数参数传递--引用传递(面试)
    linux重定向命令>和>>---面试
    正则表达式re.findall和re.search的使用---面试
    关于可迭代对象的详解
    sorted()函数排序的灵活运用---面试
  • 原文地址:https://www.cnblogs.com/shawncs/p/14615851.html
Copyright © 2011-2022 走看看