在Spark中，使用______操作可以对RDD中的元素执行聚合计算。

在Spark中，可以使用`reduce()`、`fold()`和`aggregate()`操作对RDD中的元素执行聚合计算。

1. `reduce()`操作将RDD中的元素两两聚合，返回一个单独的结果。例如，以下代码计算一个包含整数的RDD中所有元素的和：

val rdd = sc.parallelize(Seq(1, 2, 3, 4, 5))
val sum = rdd.reduce(_ + _)

代码中，我们首先使用`parallelize()`方法创建一个包含整数的RDD。接着，我们使用`reduce()`方法将RDD中的所有元素相加，得到它们的和。

2. `fold()`操作与`reduce()`操作类似，但是需要指定一个初始值，并且对于空RDD也可以返回一个结果。例如，以下代码计算一个包含整数的RDD中所有元素的和，并指定初始值为0：

val rdd = sc.parallelize(Seq(1, 2, 3, 4, 5))
val sum = rdd.fold(0)(_ + _)

代码中，我们使用`fold()`方法将RDD中的所有元素相加，并指定初始值为0。

3. `aggregate()`操作可以自定义聚合函数，对RDD中的元素进行聚合计算。`aggregate()`方法需要传入三个参数：初始值、聚合函数和合并函数。例如，以下代码计算一个包含整数的RDD中所有元素的平均值：

val rdd = sc.parallelize(Seq(1, 2, 3, 4, 5))
val (sum, count) = rdd.aggregate((0, 0))((acc, value) => (acc._1 + value, acc._2 + 1), (acc1, acc2) => (acc1._1 + acc2._1, acc1._2 + acc2._2))
val avg = sum.toDouble / count

代码中，我们使用`aggregate()`方法将RDD中的所有元素相加，并计算它们的个数。然后，我们使用元组来存储这两个值，其中第一个元素表示所有元素的和，第二个元素表示元素的个数。最后，我们计算所有元素的平均值，并将其赋值给变量`avg`。

需要注意的是，`reduce()`、`fold()`和`aggregate()`操作都是宽依赖算子，可能会涉及到数据的网络传输和磁盘IO，对性能有一定影响。在实际应用中，应该尽可能避免使用这些算子，或者根据实际情况选择合适的算子来进行聚合计算。