基于pyspark的新冠肺炎疫情数据分析
舟率率 5/11/2026 python
原地址:https://dblab.xmu.edu.cn/blog/2636/
# 项目概况
# 数据类型
2020年美国新冠肺炎疫情数据
# 开发环境
centos7
# 软件版本
python3.8.18、hadoop3.2.0、spark3.1.2
# 开发语言
python
# 开发流程
数据预处理(python)->数据上传(hdfs)->数据分析(pyspark)->数据存储(本地文件)->可视化(pyecharts)
# 可视化图表
# 操作步骤
# python安装包
pip3 install pandas==2.0.3 -i https://pypi.tuna.tsinghua.edu.cn/simple/
pip3 install pyecharts==2.0.4 -i https://pypi.tuna.tsinghua.edu.cn/simple
1
2
3
4
2
3
4
# 启动Hadoop
# 离开安全模式: hdfs dfsadmin -safemode leave
# 启动hadoop
bash /export/software/hadoop-3.2.0/sbin/start-hadoop.sh
1
2
3
4
5
2
3
4
5
# 准备目录
mkdir -p /data/jobs/project/
cd /data/jobs/project/
# 解压 "data" 目录下的 "data.7z" 到当前目录下
# 上传 "project-pyspark-covid-19-pandemic-data-analysis" 整个文件夹 到 "/data/jobs/project/" 目录
1
2
3
4
5
6
7
2
3
4
5
6
7
# 数据预处理
cd /data/jobs/project/project-pyspark-covid-19-pandemic-data-analysis/
python3 toTxt.py /data/jobs/project/project-pyspark-covid-19-pandemic-data-analysis/data/
1
2
3
4
5
2
3
4
5
# 上传文件到hdfs
cd /data/jobs/project/project-pyspark-covid-19-pandemic-data-analysis/
hdfs dfs -mkdir -p /data/input/
hdfs dfs -rm -r /data/input/*
hdfs dfs -put data/us-counties.txt /data/input/
hdfs dfs -ls /data/input/
1
2
3
4
5
6
7
8
2
3
4
5
6
7
8
# spark数据分析
cd /data/jobs/project/project-pyspark-covid-19-pandemic-data-analysis/
spark-submit analyst.py /data/input/ /data/jobs/project/
1
2
3
4
5
2
3
4
5
# 启动可视化
cd /data/jobs/project/project-pyspark-covid-19-pandemic-data-analysis/
python3 showdata.py /data/jobs/project/
# 验证结果
ls /data/jobs/project/
1
2
3
4
5
6
7
2
3
4
5
6
7