户行为：用户ID、商品ID、商品类目ID、行为类型和时间戳组成，并以逗号分隔。 行为类型：点击pv、购买buy、加购cart、fav收藏中用sql或者RDD统计一天内的每个时段的用户量、点击量、购买量

使用 Spark RDD 进行统计的代码如下：

from pyspark import SparkContext, SparkConf
import datetime

# 创建 SparkContext
conf = SparkConf().setAppName("UserBehaviorCount")
sc = SparkContext(conf=conf)

# 读取用户行为数据
rdd = sc.textFile("user_behavior.txt")

# 定义时间转换函数
def timestamp2datetime(timestamp):
    return datetime.datetime.fromtimestamp(int(timestamp)).strftime('%Y-%m-%d %H')

# 统计每个时段的用户量、点击量、购买量
result = rdd \
    .map(lambda line: line.split(",")) \
    .filter(lambda fields: len(fields) == 5) \
    .filter(lambda fields: fields[3] in ['pv', 'buy']) \
    .map(lambda fields: (timestamp2datetime(fields[4]), (fields[0], fields[3]))) \
    .groupByKey() \
    .mapValues(lambda values: (len(set([v[0] for v in values])), len([v for v in values if v[1] == 'pv']), len([v for v in values if v[1] == 'buy']))) \
    .sortByKey()

# 输出结果
for hour, (user_count, click_count, buy_count) in result.collect():
    print("{}\t{}\t{}\t{}".format(hour, user_count, click_count, buy_count))

# 关闭 SparkContext
sc.stop()

上述代码中，首先读取用户行为数据文件 `user_behavior.txt`，然后过滤掉行为类型不为 `pv` 或 `buy` 的记录，接着使用 `map` 函数将时间戳转换为具体的小时数，并以此作为键，用户ID和行为类型作为值。然后使用 `groupByKey` 函数对相同键的记录进行分组，并使用 `mapValues` 函数分别统计每个时段的用户量、点击量、购买量。最后使用 `sortByKey` 函数按时间排序，并输出结果。

注意，需要将时间戳转换为具体的小时数才能进行统计，因此需要定义一个时间转换函数 `timestamp2datetime` 进行转换。