通信人家园

标题: python使用pyspark大数据技术解决大量数据迭代分组取TOPN的问题 [查看完整版帖子] [打印本页]

时间: 2019-3-8 19:43

作者: huming000 标题: python使用pyspark大数据技术解决大量数据迭代分组取TOPN的问题

本帖最后由 huming000 于 2019-3-8 23:24 编辑

探讨的场景：
1、数据源：取出大量指标或其他需要计算统计的原始数据文件（txt、csv等类型），几十或几百个甚至更多，当前这个例子为小时级的小区指标文件；
2、存在的问题：很难在短时间内对大量的数据计算出所需要的结果；
需求：取出每个月，每个小区<最大RRC连接数>的最大的三天数据和其对应的其他指标；（迭代分组取TOPN的问题）
即：
第一次分组计算：取出每个小区每天24小时中，哪个时段的<最大RRC连接数>的值最大，并记录下这个时段（即自忙时）；
第二次分组计算：以第一次分组结算的结果，作为数据源，取每个月中，每个小区<最大RRC连接数>最大的前三天对应的指标数据；
3、解决方案：

对于数据量比较大的场景，使用单机关系型数据库实现迭代分组的功能，耗时较长，有兴趣的朋友可以尝试一下，oracle里面的开窗函数可以解决此类场景的问题，但是具体性能如何，没有尝试过。单机mysql貌似没有能够有高性能的解决方案，我自己尝试过好几种写法，都无法避免索引失效导致的全表扫描问题；但无论如何，文件导入数据库的过程必然耗费大量时间。
4、业务流程：

5、代码过程落地：

6：源码：

源码.rar (183.82 KB, 下载次数: 17)

7：视频说明：https://v.youku.com/v_show/id_XNDA5MDM5MDM0OA==.html?spm=a2h3j.8428770.3416059.1

附件: 1.png (2019-3-8 19:29, 13.07 KB) / 下载次数 1
https://www.txrjy.com/forum.php?mod=attachment&aid=Mzg5NjI2fDMyYWRmZTQ5fDE3NjIyNzk4OTJ8MHww

附件: 2.png (2019-3-8 19:29, 66.46 KB) / 下载次数 1
https://www.txrjy.com/forum.php?mod=attachment&aid=Mzg5NjI3fDZmNzYwNGVhfDE3NjIyNzk4OTJ8MHww

附件: 3.png (2019-3-8 19:31, 120.02 KB) / 下载次数 0
https://www.txrjy.com/forum.php?mod=attachment&aid=Mzg5NjI4fGY2MDc4NDRkfDE3NjIyNzk4OTJ8MHww

附件: 4.png (2019-3-8 19:31, 53.3 KB) / 下载次数 0
https://www.txrjy.com/forum.php?mod=attachment&aid=Mzg5NjI5fDBiMjE0ZWU2fDE3NjIyNzk4OTJ8MHww

附件: 源码.rar (2019-3-8 19:43, 183.82 KB) / 下载次数 17
https://www.txrjy.com/forum.php?mod=attachment&aid=Mzg5NjMwfDc3ZDk0NjhlfDE3NjIyNzk4OTJ8MHww

附件: 3.png (2019-3-8 23:03, 118.46 KB) / 下载次数 0
https://www.txrjy.com/forum.php?mod=attachment&aid=Mzg5NjM1fGQzOWEyMmQ3fDE3NjIyNzk4OTJ8MHww

附件: 源码.rar (2019-3-8 23:08, 183.12 KB) / 下载次数 10
https://www.txrjy.com/forum.php?mod=attachment&aid=Mzg5NjM2fDZiYWU1MWFhfDE3NjIyNzk4OTJ8MHww

时间: 2019-3-14 23:02

作者: tiomlee

应用NB哦

时间: 2019-4-28 16:24

作者: bruce198228

太牛逼了可以下载吗

时间: 2020-1-8 10:52

作者: pitakon

好东西啊

时间: 2022-2-26 08:35

作者: 浮云游子意

谢谢分享

时间: 2023-6-1 18:09

作者: xsp2017

牛逼，学习下

通信人家园 (https://www.txrjy.com/)