还是昨天的Spark数据分析的问题,求代码,有帮助的可以再加C币
问题描述:
现在我有一组数据,第一列是入站口到出站口(OD),第二列是刷卡的卡号,第三列是出行总时间。
现在我想研究在相同的OD下,出行时长的分布,并从中筛选出出行时长异常的卡号,默认出行时长超过该OD最短出行时长2倍为异常。
答
from __future__ import print_function
import sys
from pyspark.sql import SparkSession
def min(a,b):
return a if a < b else b
if __name__ == "__main__":
if len(sys.argv) != 2:
print("Usage: odcount <file>", file=sys.stderr)
exit(-1)
spark = SparkSession\
.builder\
.appName("PythonODCount")\
.getOrCreate()
lines = spark.read.text(sys.argv[1]).rdd.map(lambda r: r[0])
lines = lines.filter( lambda line: len(line.strip()) > 0 )
mintimes = lines.flatMap(lambda x: [x[1:-1]]) \
.map( lambda x: (x.split(',')[0], int(x.split(',')[2])) ) \
.reduceByKey(min)
mintime_list = mintimes.collect()
mintime_map = {}
print("min time:")
for (od, mintime) in mintime_list:
mintime_map[od] = mintime
print("%s: %i" % (od.encode('utf-8'), mintime))
largelines = lines.flatMap(lambda x: [x[1:-1]]) \
.filter( lambda x: int(x.split(',')[2]) > 2 * mintime_map.get(x.split(',')[0]) )
print("large time line:")
for line in largelines.collect():
print("%s" % line.encode('utf-8'))
spark.stop()
答
先做一次运算得到每个OD的最短时间,存储到数据库之类。
第2次运算加载每个OD的最短时间,筛选大于该时间2倍的数据进行输出。