首页 / 更多教程 / 05 RDD练习:词频统计
05 RDD练习:词频统计
内容导读
互联网集市收集整理的这篇技术教程文章主要介绍了05 RDD练习:词频统计,小编现在分享给大家,供广大互联网技能从业者学习和参考。文章包含1845字,纯文字阅读大概需要3分钟。
内容图文
一、词频统计:
1.读文本文件生成RDD lines
代码:lines = sc.textFile('file:///home/hadoop/word.txt')
2.将一行一行的文本分割成单词 words flatmap()
代码:words=lines.flatMap(lambda line:line.split())
words.collect()
3.全部转换为小写 lower()
代码:#lines.flatMap(lambda line:line.lower().split()).collect()
words=lines.flatMap(lambda line:line.lower().split()).collect()
4.去掉长度小于3的单词 filter()
代码:words.filter(lambda word : len(word)>3).collect()
5.去掉停用词
准备停用词文本
代码:
1.准备停用词文本:
lines = sc.textFile('file:///home/hadoop/stopwords.txt')
stop = lines.flatMap(lambda line : line.split()).collect()
2.去除停用词:
words=lines.flatMap(lambda line:line.lower().split()).filter(lambda word : word not in stopword.txt)
words.collect()
6.转换成键值对 map()
代码:
words=words.map(lambda word : (word,1))
7.统计词频 reduceByKey()
代码:
words=words.map(lambda word : (word,1)).reduceBykey(lambda a,b:a+b).foreach(print)
二、学生课程分数 groupByKey()
-- 按课程汇总全总学生和分数
先行代码:
lines = sc.textFile('file:///home/hadoop/chapter4-data01.txt')
lines.take(5)
1. 分解出字段 map()
代码:
lines.map(lambda line:line.split(',')).take(5)
2. 生成键值对 map()
代码:
lines.map(lambda line:line.split(',')).map(lambda line:(line[1],(line[0],line[2]))).take(5)
3. 按键分组
代码:
lines.map(lambda line:line.split(',')).map(lambda line:(line[1],(line[0],line[2]))).groupByKey().take(5)
4. 输出汇总结果
代码:
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)
...
三、学生课程分数 reduceByKey()
-- 每门课程的选修人数
代码:
lines.map(lambda line:line.split(',')).map(lambda line:(line[1],1) ).take(5)
-- 每个学生的选修课程数
代码:
lines.map(lambda line:line.split(',')).map(lambda line:(line[1],1) ).reduceByKey(lambda a,b:a+b).take(5)
内容总结
以上是互联网集市为您收集整理的05 RDD练习:词频统计全部内容,希望文章能够帮你解决05 RDD练习:词频统计所遇到的程序开发问题。 如果觉得互联网集市技术教程内容还不错,欢迎将互联网集市网站推荐给程序员好友。
内容备注
版权声明:本文内容由互联网用户自发贡献,该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 gblab@vip.qq.com 举报,一经查实,本站将立刻删除。
内容手机端
扫描二维码推送至手机访问。