微信公众号搜"智元新知"关注
微信扫一扫可直接关注哦!

spark-sql实践

spark-sql实践

一、安装anaconda

安装包链接
链接https://pan.baidu.com/s/1dvNVT4VW34SW4EVoZRqNgA
提取码:batk


使用bash命令运行安装包

在这里插入图片描述


一直回车,遇到选择选yes即可

在这里插入图片描述

在这里插入图片描述


安装成功

在这里插入图片描述


配置环境变量

export PATH=$PATH:/root/anaconda3/bin

在这里插入图片描述


可以看出安装成功

在这里插入图片描述

二、配置jupyter notebook

配置环境变量后使用下面命令生成jupyter notebook配置文件

jupyter notebook --generate-config

在这里插入图片描述


使用下面命令设置jupyter密码并记住sha1值,后面配置要用

python -c "import IPython; print(IPython.lib.passwd())"

在这里插入图片描述


在刚刚生成配置文件添加下面语句

# 允许所有IP登录
c.NotebookApp.ip = '*'
# 使用刚刚生成的sha1值
c.NotebookApp.password = 'sha1:679a04c48eec:050346283252410f864ddfbf397a5aa64dd2ae09'
# 是否自动打开浏览器
c.NotebookApp.open_browser = False
# 允许使用root用户登录
c.NotebookApp.allow_root =True
# 设置访问jupyter notebook的端口为4040
c.NotebookApp.port = 4040
c.ContentsManager.root_dir = '/usr/jupyter'
c.NotebookApp.notebook_dir = '/usr/jupyter'

在这里插入图片描述


启动jupyter notebook

jupyter notebook

在这里插入图片描述


输入密码成功登录

在这里插入图片描述


在这里插入图片描述

三、案例分析

代码下载链接
链接https://pan.baidu.com/s/1Zjb-prt6v2Nbhhy6M1ZoUQ
提取码:cgnc


数据下载链接

链接https://pan.baidu.com/s/1UgkbxCDS_ne2zFqHxFAn8w
提取码:qskr


本案例使用的数据集来自数据网站kaggle的美国新冠肺炎疫情数据集,该数据集以数据表us-counties.csv组织,其中包含了美国发现首例新冠肺炎确诊病例至2020-05-19的相关数据

在这里插入图片描述

1.格式转换

原始数据集是以.csv文件组织的,为了方便spark读取生成RDD或者DataFrame,首先将us-counties.csv转换为.txt格式文件us-counties.txt

import pandas as pd
 
#.csv->.txt
data = pd.read_csv('us-counties.csv')
with open('us-counties.txt','a+',encoding='utf-8') as f:
    for line in data.values:
        f.write((str(line[0])+'\t'+str(line[1])+'\t'
                +str(line[2])+'\t'+str(line[3])+'\t'+str(line[4])+'\n'))


然后将数据上传到hdfs上

hdfs dfs -put us-counties.txt /test4

在这里插入图片描述

2.读取文件生成DataFrame

这里读取的路径都是hdfs路径

import findspark
findspark.init()
from pyspark import SparkConf,SparkContext
from pyspark.sql import Row
from pyspark.sql.types import *
from pyspark.sql import SparkSession
from datetime import datetime
import pyspark.sql.functions as func
def toDate(inputStr):
    newStr = ""
    if len(inputStr) == 8:
        s1 = inputStr[0:4]
        s2 = inputStr[5:6]
        s3 = inputStr[7]
        newStr = s1+"-"+"0"+s2+"-"+"0"+s3
    else:
        s1 = inputStr[0:4]
        s2 = inputStr[5:6]
        s3 = inputStr[7:]
        newStr = s1+"-"+"0"+s2+"-"+s3
    date = datetime.strptime(newStr, "%Y-%m-%d")
    return date
spark = SparkSession.builder.config(conf = SparkConf()).getorCreate()
 
fields = [StructField("date", DateType(),False),StructField("county", StringType(),False),StructField("state", StringType(),False),
                    StructField("cases", IntegerType(),False),StructField("deaths", IntegerType(),False),]
schema = StructType(fields)
 
rdd0 = spark.sparkContext.textFile("/test4/us-counties.txt")
rdd1 = rdd0.map(lambda x:x.split("\t")).map(lambda p: Row(toDate(p[0]),p[1],p[2],int(p[3]),int(p[4])))
 
shemaUsInfo = spark.createDataFrame(rdd1,schema)
shemaUsInfo.createOrReplaceTempView("usInfo")

3.进行数据分析

这里存储的路径都是hdfs路径

(1)计算每日的累计确诊病例数和死亡数

df = shemaUsInfo.groupBy("date").agg(func.sum("cases"),func.sum("deaths")).sort(shemaUsInfo["date"].asc())
 
#列重命名
df1 = df.withColumnRenamed("sum(cases)","cases").withColumnRenamed("sum(deaths)","deaths")
df1.repartition(1).write.json("/test4/result1") 
 
#注册为临时表供下一步使用
df1.createOrReplaceTempView("ustotal")

在这里插入图片描述

(2)计算每日较昨日的新增确诊病例数和死亡病例数

df2 = spark.sql("select t1.date,t1.cases-t2.cases as caseIncrease,t1.deaths-t2.deaths as deathIncrease from ustotal t1,ustotal t2 where t1.date = date_add(t2.date,1)")
 
df2.sort(df2["date"].asc()).repartition(1).write.json("/test4/result2") 

在这里插入图片描述

(3)统计截止5.19日 美国各州的累计确诊人数和死亡人数

df3 = spark.sql("select date,state,sum(cases) as totalCases,sum(deaths) as totalDeaths,round(sum(deaths)/sum(cases),4) as deathRate from usInfo  where date = to_date('2020-05-19','yyyy-MM-dd') group by date,state")
 
df3.sort(df3["totalCases"].desc()).repartition(1).write.json("/test4/result3") #写入hdfs
 
df3.createOrReplaceTempView("eachStateInfo")

在这里插入图片描述

(4)找出美国确诊最多的10个州

df4 = spark.sql("select date,state,totalCases from eachStateInfo  order by totalCases desc limit 10")
df4.repartition(1).write.json("/test4/result4")

在这里插入图片描述

(5)找出美国死亡最多的10个州

df5 = spark.sql("select date,state,totalDeaths from eachStateInfo  order by totalDeaths desc limit 10")
df5.repartition(1).write.json("/test4/result5")

在这里插入图片描述

(6)找出美国确诊最少的10个州

df6 = spark.sql("select date,state,totalCases from eachStateInfo  order by totalCases asc limit 10")
df6.repartition(1).write.json("/test4/result6")

在这里插入图片描述

(7)找出美国死亡最少的10个州

df7 = spark.sql("select date,state,totalDeaths from eachStateInfo  order by totalDeaths asc limit 10")
df7.repartition(1).write.json("/test4/result7")

在这里插入图片描述

(8)统计截止5.19全美和各州的病死率

df8 = spark.sql("select 1 as sign,date,'USA' as state,round(sum(totalDeaths)/sum(totalCases),4) as deathRate from eachStateInfo group by date union select 2 as sign,date,state,deathRate from eachStateInfo").cache()
df8.sort(df8["sign"].asc(),df8["deathRate"].desc()).repartition(1).write.json("/test4/result8")

在这里插入图片描述

4.数据可视化

导入所需库

from pyecharts import options as opts
from pyecharts.charts import Bar
from pyecharts.charts import Line
from pyecharts.components import Table
from pyecharts.charts import WordCloud
from pyecharts.charts import Pie
from pyecharts.charts import Funnel
from pyecharts.charts import Scatter
from pyecharts.charts import PictorialBar
from pyecharts.options import ComponentTitleOpts
from pyecharts.globals import SymbolType
import json

将hdfs生成结果放在本地,因为可视化部分不需要使用集群,下面使用的路径均为本地路径

在这里插入图片描述

(1)画出每日的累计确诊病例数和死亡数——>双柱状图

root = "test4/result1/part-00000-35b0ecb6-8abe-4342-90ce-bd9b86acc054-c000.json"
date = []
cases = []
deaths = []
with open(root, 'r') as f:
    while True:
        line = f.readline()
        if not line:                            # 到 EOF,返回空字符串,则终止循环
            break
        js = json.loads(line)
        date.append(str(js['date']))
        cases.append(int(js['cases']))
        deaths.append(int(js['deaths']))

d = (
Bar()
.add_xaxis(date)
.add_yaxis("累计确诊人数", cases, stack="stack1")
.add_yaxis("累计死亡人数", deaths, stack="stack1")
.set_series_opts(label_opts=opts.LabelOpts(is_show=False))
.set_global_opts(title_opts=opts.TitleOpts(title="美国每日累计确诊和死亡人数"))
)
d.load_javascript()
d.render_notebook()

在这里插入图片描述

(2)画出每日的新增确诊病例数和死亡数——>折线图

root = "test4/result2/part-00000-6a74a9a3-dc2c-4d6b-997c-a74762a27bd0-c000.json"
date = []
cases = []
deaths = []
with open(root, 'r') as f:
    while True:
        line = f.readline()
        if not line:                            # 到 EOF,返回空字符串,则终止循环
            break
        js = json.loads(line)
        date.append(str(js['date']))
        cases.append(int(js['caseIncrease']))
        deaths.append(int(js['deathIncrease']))

L1 = (
Line(init_opts=opts.InitOpts(width="1600px", height="800px"))
.add_xaxis(xaxis_data=date)
.add_yaxis(
    series_name="新增确诊",
    y_axis=cases,
    markpoint_opts=opts.MarkPointOpts(
        data=[
            opts.MarkPointItem(type_="max", name="最大值")

        ]
    ),
    markline_opts=opts.MarkLineOpts(
        data=[opts.MarkLineItem(type_="average", name="平均值")]
    ),
)
.set_global_opts(
    title_opts=opts.TitleOpts(title="美国每日新增确诊折线图", subtitle=""),
    tooltip_opts=opts.TooltipOpts(trigger="axis"),
    toolBox_opts=opts.ToolBoxOpts(is_show=True),
    xaxis_opts=opts.AxisOpts(type_="category", boundary_gap=False),
)
)
L1.load_javascript()
L1.render_notebook()

在这里插入图片描述

L2 = (
Line(init_opts=opts.InitOpts(width="1600px", height="800px"))
.add_xaxis(xaxis_data=date)
.add_yaxis(
    series_name="新增死亡",
    y_axis=deaths,
    markpoint_opts=opts.MarkPointOpts(
        data=[opts.MarkPointItem(type_="max", name="最大值")]
    ),
    markline_opts=opts.MarkLineOpts(
        data=[
            opts.MarkLineItem(type_="average", name="平均值"),
            opts.MarkLineItem(symbol="none", x="90%", y="max"),
            opts.MarkLineItem(symbol="circle", type_="max", name="最高点"),
        ]
    ),
)
.set_global_opts(
    title_opts=opts.TitleOpts(title="美国每日新增死亡折线图", subtitle=""),
    tooltip_opts=opts.TooltipOpts(trigger="axis"),
    toolBox_opts=opts.ToolBoxOpts(is_show=True),
    xaxis_opts=opts.AxisOpts(type_="category", boundary_gap=False),
)
)
L2.load_javascript()
L2.render_notebook()

在这里插入图片描述

(3)画出截止5.19,美国各州累计确诊、死亡人数和病死率—>表格

root = "test4/result3/part-00000-253c81bd-4448-4823-954f-e7e9934605c9-c000.json"
allState = []
with open(root, 'r') as f:
    while True:
        line = f.readline()
        if not line:                            # 到 EOF,返回空字符串,则终止循环
            break
        js = json.loads(line)
        row = []
        row.append(str(js['state']))
        row.append(int(js['totalCases']))
        row.append(int(js['totalDeaths']))
        row.append(float(js['deathRate']))
        allState.append(row)

table = Table()

headers = ["State name", "Total cases", "Total deaths", "Death rate"]
rows = allState
table.add(headers, rows)
table.set_global_opts(
    title_opts=ComponentTitleOpts(title="美国各州疫情一览", subtitle="")
)
table.load_javascript()
table.render_notebook()

在这里插入图片描述

(4)画出美国确诊最多的10个州——>词云

root = "test4/result4/part-00000-9dc04a1e-7763-4429-93fc-23b2f3d45512-c000.json"
data = []
with open(root, 'r') as f:
    while True:
        line = f.readline()
        if not line:                            # 到 EOF,返回空字符串,则终止循环
            break
        js = json.loads(line)
        row=(str(js['state']),int(js['totalCases']))
        data.append(row)

c = (
WordCloud()
.add("", data, word_size_range=[20, 100], shape=SymbolType.DIAMOND)
.set_global_opts(title_opts=opts.TitleOpts(title="美国各州确诊Top10"))
)
c.load_javascript()
c.render_notebook()

@H_425_404@

(5)画出美国死亡最多的10个州——>象柱状图

root = "test4/result5/part-00000-a8169860-0a64-4c5c-b740-fcdafc74505e-c000.json"
state = []
totalDeath = []
with open(root, 'r') as f:
    while True:
        line = f.readline()
        if not line:                            # 到 EOF,返回空字符串,则终止循环
            break
        js = json.loads(line)
        state.insert(0,str(js['state']))
        totalDeath.insert(0,int(js['totalDeaths']))

c = (
PictorialBar()
.add_xaxis(state)
.add_yaxis(
    "",
    totalDeath,
    label_opts=opts.LabelOpts(is_show=False),
    symbol_size=18,
    symbol_repeat="fixed",
    symbol_offset=[0, 0],
    is_symbol_clip=True,
    symbol=SymbolType.ROUND_RECT,
)
.reversal_axis()
.set_global_opts(
    title_opts=opts.TitleOpts(title="PictorialBar-美国各州死亡人数Top10"),
    xaxis_opts=opts.AxisOpts(is_show=False),
    yaxis_opts=opts.AxisOpts(
        axistick_opts=opts.AxisTickOpts(is_show=False),
        axisline_opts=opts.AxisLineOpts(
            linestyle_opts=opts.LinestyleOpts(opacity=0)
        ),
    ),
)
)
c.load_javascript()
c.render_notebook()

在这里插入图片描述

(6)找出美国确诊最少的10个州——>词云

root = "test4/result6/part-00000-9dc41291-7691-4ab3-8a09-2e4fb32bbd02-c000.json"
data = []
with open(root, 'r') as f:
    while True:
        line = f.readline()
        if not line:                            # 到 EOF,返回空字符串,则终止循环
            break
        js = json.loads(line)
        row=(str(js['state']),int(js['totalCases']))
        data.append(row)

c = (
WordCloud()
.add("", data, word_size_range=[100, 20], shape=SymbolType.DIAMOND)
)
c.load_javascript()
c.render_notebook()

在这里插入图片描述

(7)找出美国死亡最少的10个州——>漏斗图

root = "test4/result7/part-00000-0891d181-56a9-4d70-a94c-259bda524607-c000.json"
data = []
with open(root, 'r') as f:
    while True:
        line = f.readline()
        if not line:                            # 到 EOF,返回空字符串,则终止循环
            break
        js = json.loads(line)
        data.insert(0,[str(js['state']),int(js['totalDeaths'])])

c = (
Funnel()
.add(
    "State",
    data,
    sort_="ascending",
    label_opts=opts.LabelOpts(position="inside"),
)
.set_global_opts(title_opts=opts.TitleOpts(title=""))
)
c.load_javascript()
c.render_notebook()

在这里插入图片描述

(8)美国的病死率—>饼状图

root = "test4/result8/part-00000-47009151-50c4-4bb2-acb1-ddc2e101f6e2-c000.json"
values = []
with open(root, 'r') as f:
    while True:
        line = f.readline()
        if not line:                            # 到 EOF,返回空字符串,则终止循环
            break
        js = json.loads(line)
        if str(js['state'])=="USA":
            values.append(["Death(%)",round(float(js['deathRate'])*100,2)])
            values.append(["No-Death(%)",100-round(float(js['deathRate'])*100,2)])
c = (
Pie()
.add("", values)
.set_colors(["blcak","orange"])
.set_global_opts(title_opts=opts.TitleOpts(title="全美的病死率"))
.set_series_opts(label_opts=opts.LabelOpts(formatter="{b}: {c}"))
)
c.load_javascript()
c.render_notebook()

在这里插入图片描述

四、遇到的问题

1.找不到spark

在这里插入图片描述


在开头加上下面两行代码即可

import findspark
findspark.init()

2.找不到python

查看日志发现不是master中找不到python,而是slave中没找到,然后发现slave中没有安装python,在两个slave中按照第一步安装anaconda即可

在这里插入图片描述

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 [email protected] 举报,一经查实,本站将立刻删除。

相关推荐