from pyspark import SparkConf from pyspark.sql import SparkSession import pyspark.sql.functions as f def data_process(raw_data_path): spark = SparkSession.builder.config(conf=SparkConf()).getOrCreate() business = spark.read.json(raw_data_path) split_col = f.split(business['categories'], ',') business = business.withColumn("categories", split_col).filter(business["city"] != "").dropna() business.createOrReplaceTempView("business") b_etl = spark.sql("SELECT business_id, name, city, state, latitude, longitude, stars, review_count, is_open, categories, attributes FROM business").cache() b_etl.createOrReplaceTempView("b_etl") outlier = spark.sql( "SELECT b1.business_id, SQRT(POWER(b1.latitude - b2.avg_lat, 2) + POWER(b1.longitude - b2.avg_long, 2)) \ as dist FROM b_etl b1 INNER JOIN (SELECT state, AVG(latitude) as avg_lat, AVG(longitude) as avg_long \ FROM b_etl GROUP BY state) b2 ON b1.state = b2.state ORDER BY dist DESC") outlier.createOrReplaceTempView("outlier") joined = spark.sql("SELECT b.* FROM b_etl b INNER JOIN outlier o ON b.business_id = o.business_id WHERE o.dist<10") joined.write.parquet("file:///home/hadoop/wangyingmin/yelp-etl/business_etl", mode="overwrite") if __name__ == "__main__": raw_hdfs_path = 'file:///home/hadoop/wangyingmin/yelp_academic_dataset_business.json' print("Start cleaning raw data!") data_process(raw_hdfs_path) print("Successfully done")注释

时间: 2024-04-03 16:35:30 浏览: 22
这是一段使用 PySpark 进行数据清洗和处理的代码。具体来说,代码包含以下步骤: 1. 创建一个 SparkSession 对象,使用 SparkConf 进行配置。 2. 读取原始数据文件,使用 split 函数对 categories 列进行分割,过滤掉 city 列为空或者为 null 的行。 3. 将处理后的数据保存为一个临时表 business。 4. 从 business 表中选择需要的字段,计算每个州内所有商家的平均经纬度,并根据与平均经纬度的距离进行排序,得到异常值。 5. 将异常值与 business 表进行内连接,得到最终的数据集。 6. 将最终数据集保存为 Parquet 格式文件。 代码中还包含了一些注释,对代码的每个步骤进行了简单的说明。
相关问题

from pyspark.sql import SparkSession import logging logging.basicConfig(level="WARN")

这段代码的作用是导入SparkSession类和logging模块,并设置logging模块的日志级别为WARN。SparkSession类是Spark 2.0版本引入的新的API,用于创建Spark应用程序的入口点,并提供了许多用于数据处理的方法。logging模块用于记录程序的运行日志,通过设置日志级别可以控制记录的日志信息的详细程度。在这里,将日志级别设置为WARN,表示只记录警告级别及以上的日志信息。

from .data import sql_data ImportError: attempted relative import with no known parent package

This error occurs when you try to do a relative import in a module that doesn't have a known parent package. To fix this error, you need to make sure that the module you're importing from is in a package and that the package is on the Python path. One way to fix this error is to use an absolute import instead of a relative import. For example, if you have a package called "mypackage" and a module called "mymodule" that needs to import a module called "sql_data", you can use an absolute import like this: from mypackage.data import sql_data Alternatively, you can make sure that the module you're importing from is in a package. To do this, you need to create an empty __init__.py file in the directory that contains the module. This tells Python that the directory is a package and allows you to do relative imports. Once you've done this, you can use a relative import like this: from .data import sql_data Note that the dot before "data" indicates that you're doing a relative import. The dot represents the current package or module, so this import statement is equivalent to "from mypackage.mymodule.data import sql_data".

相关推荐

最新推荐

recommend-type

解决keras,val_categorical_accuracy:,0.0000e+00问题

from keras import backend as K def AUC(y_true, y_pred): not_y_pred = K.logical_not(y_pred) y_int1 = y_true * y_pred y_int0 = not_y_pred * not_y_pred TP = K.sum(y_pred * y_int1) FP = K.sum(y_pred...
recommend-type

Python模块包中__init__.py文件功能分析

这使得你可以通过包名来引用这些对象,如`import Package1`后,就可以使用`Package1.Module1`。 5. **包的嵌套**:如果一个子目录也包含`__init__.py`,那么它就是一个子包。这允许创建多级的包结构,方便组织大型...
recommend-type

MySQL复制出错 Last_SQL_Errno:1146的解决方法

MySQL复制出错,报Last_SQL_Errno:1146通常是由于从库上缺少某个表或数据文件导致的。此错误通常与数据迁移、表空间操作(如discard和import tablespace)有关。以下是对该问题的详细分析和解决策略: 1. **错误...
recommend-type

解决Tensorflow2.0 tf.keras.Model.load_weights() 报错处理问题

from keras.metrics import top_k_categorical_accuracy def top_2_accuracy(in_gt, in_pred): return top_k_categorical_accuracy(in_gt, in_pred, k=2) model = load_model("model.h5", custom_objects={'top_2...
recommend-type

解决Jupyter notebook中.py与.ipynb文件的import问题

from hello import * hello() ``` 当`hello.py`中的代码被修改,如: ```python # hello.py def hello(): print('say hello, bye') ``` 为了使Jupyter Notebook中的`.ipynb`文件能够反映出`.py`文件的更新,...
recommend-type

京瓷TASKalfa系列维修手册:安全与操作指南

"该资源是一份针对京瓷TASKalfa系列多款型号打印机的维修手册,包括TASKalfa 2020/2021/2057,TASKalfa 2220/2221,TASKalfa 2320/2321/2358,以及DP-480,DU-480,PF-480等设备。手册标注为机密,仅供授权的京瓷工程师使用,强调不得泄露内容。手册内包含了重要的安全注意事项,提醒维修人员在处理电池时要防止爆炸风险,并且应按照当地法规处理废旧电池。此外,手册还详细区分了不同型号产品的打印速度,如TASKalfa 2020/2021/2057的打印速度为20张/分钟,其他型号则分别对应不同的打印速度。手册还包括修订记录,以确保信息的最新和准确性。" 本文档详尽阐述了京瓷TASKalfa系列多功能一体机的维修指南,适用于多种型号,包括速度各异的打印设备。手册中的安全警告部分尤为重要,旨在保护维修人员、用户以及设备的安全。维修人员在操作前必须熟知这些警告,以避免潜在的危险,如不当更换电池可能导致的爆炸风险。同时,手册还强调了废旧电池的合法和安全处理方法,提醒维修人员遵守地方固体废弃物法规。 手册的结构清晰,有专门的修订记录,这表明手册会随着设备的更新和技术的改进不断得到完善。维修人员可以依靠这份手册获取最新的维修信息和操作指南,确保设备的正常运行和维护。 此外,手册中对不同型号的打印速度进行了明确的区分,这对于诊断问题和优化设备性能至关重要。例如,TASKalfa 2020/2021/2057系列的打印速度为20张/分钟,而TASKalfa 2220/2221和2320/2321/2358系列则分别具有稍快的打印速率。这些信息对于识别设备性能差异和优化工作流程非常有用。 总体而言,这份维修手册是京瓷TASKalfa系列设备维修保养的重要参考资料,不仅提供了详细的操作指导,还强调了安全性和合规性,对于授权的维修工程师来说是不可或缺的工具。
recommend-type

管理建模和仿真的文件

管理Boualem Benatallah引用此版本:布阿利姆·贝纳塔拉。管理建模和仿真。约瑟夫-傅立叶大学-格勒诺布尔第一大学,1996年。法语。NNT:电话:00345357HAL ID:电话:00345357https://theses.hal.science/tel-003453572008年12月9日提交HAL是一个多学科的开放存取档案馆,用于存放和传播科学研究论文,无论它们是否被公开。论文可以来自法国或国外的教学和研究机构,也可以来自公共或私人研究中心。L’archive ouverte pluridisciplinaire
recommend-type

【进阶】入侵检测系统简介

![【进阶】入侵检测系统简介](http://www.csreviews.cn/wp-content/uploads/2020/04/ce5d97858653b8f239734eb28ae43f8.png) # 1. 入侵检测系统概述** 入侵检测系统(IDS)是一种网络安全工具,用于检测和预防未经授权的访问、滥用、异常或违反安全策略的行为。IDS通过监控网络流量、系统日志和系统活动来识别潜在的威胁,并向管理员发出警报。 IDS可以分为两大类:基于网络的IDS(NIDS)和基于主机的IDS(HIDS)。NIDS监控网络流量,而HIDS监控单个主机的活动。IDS通常使用签名检测、异常检测和行
recommend-type

轨道障碍物智能识别系统开发

轨道障碍物智能识别系统是一种结合了计算机视觉、人工智能和机器学习技术的系统,主要用于监控和管理铁路、航空或航天器的运行安全。它的主要任务是实时检测和分析轨道上的潜在障碍物,如行人、车辆、物体碎片等,以防止这些障碍物对飞行或行驶路径造成威胁。 开发这样的系统主要包括以下几个步骤: 1. **数据收集**:使用高分辨率摄像头、雷达或激光雷达等设备获取轨道周围的实时视频或数据。 2. **图像处理**:对收集到的图像进行预处理,包括去噪、增强和分割,以便更好地提取有用信息。 3. **特征提取**:利用深度学习模型(如卷积神经网络)提取障碍物的特征,如形状、颜色和运动模式。 4. **目标
recommend-type

小波变换在视频压缩中的应用

"多媒体通信技术视频信息压缩与处理(共17张PPT).pptx" 多媒体通信技术涉及的关键领域之一是视频信息压缩与处理,这在现代数字化社会中至关重要,尤其是在传输和存储大量视频数据时。本资料通过17张PPT详细介绍了这一主题,特别是聚焦于小波变换编码和分形编码两种新型的图像压缩技术。 4.5.1 小波变换编码是针对宽带图像数据压缩的一种高效方法。与离散余弦变换(DCT)相比,小波变换能够更好地适应具有复杂结构和高频细节的图像。DCT对于窄带图像信号效果良好,其变换系数主要集中在低频部分,但对于宽带图像,DCT的系数矩阵中的非零系数分布较广,压缩效率相对较低。小波变换则允许在频率上自由伸缩,能够更精确地捕捉图像的局部特征,因此在压缩宽带图像时表现出更高的效率。 小波变换与傅里叶变换有本质的区别。傅里叶变换依赖于一组固定频率的正弦波来表示信号,而小波分析则是通过母小波的不同移位和缩放来表示信号,这种方法对非平稳和局部特征的信号描述更为精确。小波变换的优势在于同时提供了时间和频率域的局部信息,而傅里叶变换只提供频率域信息,却丢失了时间信息的局部化。 在实际应用中,小波变换常常采用八带分解等子带编码方法,将低频部分细化,高频部分则根据需要进行不同程度的分解,以此达到理想的压缩效果。通过改变小波的平移和缩放,可以获取不同分辨率的图像,从而实现按需的图像质量与压缩率的平衡。 4.5.2 分形编码是另一种有效的图像压缩技术,特别适用于处理不规则和自相似的图像特征。分形理论源自自然界的复杂形态,如山脉、云彩和生物组织,它们在不同尺度上表现出相似的结构。通过分形编码,可以将这些复杂的形状和纹理用较少的数据来表示,从而实现高压缩比。分形编码利用了图像中的分形特性,将其转化为分形块,然后进行编码,这在处理具有丰富细节和不规则边缘的图像时尤其有效。 小波变换和分形编码都是多媒体通信技术中视频信息压缩的重要手段,它们分别以不同的方式处理图像数据,旨在减少存储和传输的需求,同时保持图像的质量。这两种技术在现代图像处理、视频编码标准(如JPEG2000)中都有广泛应用。