键值对rdd编程计算平均成绩，数据形式包含名字、科目和分数： ('mike',‘math', 96) ...

在Spark的RDD（弹性分布式数据集）编程中，计算键值对集合如('mike', 'math', 96)等学生的平均成绩，首先需要将这些信息存储在一个键值对格式的RDD中，然后可以按照以下步骤操作：

1. **创建RDD**: 将学生数据转换为键值对形式，其中键可能是学生的名字，值是一个包含学科名称和分数的元组。例如：

   student_scores = sc.parallelize([
       ("mike", ("math", 96)),
       ...,
       # 更多学生数据
   ])

2. **提取分数**：定义一个函数来从每个键值对中提取分数。这里我们可以假设分数总是第二个元素，如果是元组的话。

   def extract_score(pair):
       name, (subject, score) = pair
       return score

3. **分组和求和**：使用`groupByKey()`操作按名字对学生进行分组，并对每个组内的分数求和。

   grouped_scores = student_scores.mapValues(extract_score).groupByKey()
   sum_scores_per_student = grouped_scores.map(lambda x: (x[0], sum(x[1])))

4. **计算平均分**：对每个学生的总分数除以学生数得到平均分。这一步可能需要进一步的map操作，因为`sum_scores_per_student`是一个键值对的列表，我们需要遍历它。

   def calculate_average(scores):
       count = len(scores)
       if count > 0:
           return sum(scores) / count
       else:
           return None  # 或者返回默认值，表示没有成绩

   average_scores = sum_scores_per_student.mapValues(calculate_average)

5. **去除None值（可选）**：如果有些学生没有分数，`calculate_average`可能会返回`None`，可以根据需要过滤掉这些结果。

最后，`average_scores`就是键为学生名，值为对应平均成绩的RDD。如果你想要得到最终的结果，可以调用`collect()`获取所有平均分并汇总到本地内存。