学生课程分数的Spark SQL分析

url = "file:///D:/chapter4-data01.txt"
rdd = spark.sparkContext.textFile(url).map(lambda line:line.split(‘,‘))
rdd.take(3)

from pyspark.sql.types import IntegerType,StringType,StructField,StructType
from pyspark.sql import Row

#生成“表头”
fields = [StructField(‘name‘,StringType(),True),StructField(‘course‘,StringType(),True),StructField(‘score‘,IntegerType(),True)]
schema = StructType(fields)

# 生成“表中的记录”
data = rdd.map(lambda p:Row(p[0],p[1],int(p[2])))

# 把“表头”和“表中的记录”拼接在一起
df_scs = spark.createDataFrame(data,schema)
df_scs.printSchema()
df_scs.show()

# 1.每个分数+5分。
df_scs.select(‘name‘,‘course‘,df_scs.score+5).show()

# 2.总共有多少学生？
df_scs.select(df_scs.name).distinct().count()

df_scs.select(df_scs[‘name‘]).distinct().count()

df_scs.select(‘name‘).distinct().count()

# 3.总共开设了哪些课程？
df_scs.select(‘course‘).distinct().show()

# 4.每个学生选修了多少门课？
df_scs.groupBy(‘name‘).count().show()

# 5.每门课程有多少个学生选？
df_scs.groupBy(‘course‘).count().show()

# 6.每门课程大于95分的学生人数？
df_scs.filter(df_scs.score>95).groupBy(‘course‘).count().show()

# 7.Tom选修了几门课？每门课多少分？
df_scs.filter(df_scs.name==‘Tom‘).show()

# 8.Tom的成绩按分数大小排序。
df_scs.filter(df_scs.name==‘Tom‘).orderBy(df_scs.score).show()

# 9.Tom的平均分。
df_scs.filter(df_scs.name==‘Tom‘).agg({"score":"mean"}).show()

# 10.求每门课的平均分，最高分，最低分。
df_scs.groupBy("course").agg({"score": "mean"}).show()

df_scs.groupBy("course").agg({"score": "max"}).show()

df_scs.groupBy("course").agg({"score": "min"}).show()

# 11.求每门课的选修人数及平均分，精确到2位小数。
df_scs.select(countDistinct(‘name‘).alias(‘学生人数‘),countDistinct(‘course‘).alias(‘课程数‘),round(mean(‘score‘),2).alias(‘所有课的平均分‘)).show()

# 12.每门课的不及格人数，通过率
df_scs.filter(df_scs.score<60).groupBy(‘course‘).count().show()