1. 实验室名称：

大数据实验教学系统

2. 实验项目名称：

案例：银行客户数据分析

一、业务场景

某银行积累有大量客户数据，现希望大数据分析团队使用Spark技术对这些数据进行分析，以期获得有价值的信息。

二、数据集说明

本案例用到的数据集说明如下：

  数据集文件：/data/dataset/bank-full.csv

  该数据集包含银行客户信息，其中部分字段的说明如下：

三、操作步骤

阶段一、启动HDFS、Spark集群服务和zeppelin服务器

1、启动HDFS集群

  在Linux终端窗口下，输入以下命令，启动HDFS集群：

1.  $ start-dfs.sh

2、启动Spark集群

  在Linux终端窗口下，输入以下命令，启动Spark集群：

1.  $ cd /opt/spark
2.  $ ./sbin/start-all.sh

3、启动zeppelin服务器

  在Linux终端窗口下，输入以下命令，启动zeppelin服务器：

1.  $ zeppelin-daemon.sh start

4、验证以上进程是否已启动

  在Linux终端窗口下，输入以下命令，查看启动的服务进程：

1.  $ jps

如果显示以下6个进程，则说明各项服务启动正常，可以继续下一阶段。

1.  2288 NameNode
2.  2402 DataNode
3.  2603 SecondaryNameNode
4.  2769 Master
5.  2891 Worker
6.  2984 ZeppelinServer

阶段二、准备案例中用到的数据集

1、将本案例要用到的数据集上传到HDFS文件系统的”/data/dataset/“目录下。在Linux终端窗口下，输入以下命令：

1.  $ hdfs dfs -mkdir -p /data/dataset
2.  $ hdfs dfs -put /data/dataset/bank-full.csv /data/dataset/

2、在Linux终端窗口下，输入以下命令，查看HDFS上是否已经上传了该数据集：

1.  $ hdfs dfs -ls /data/dataset/

这时应该看到数据集文件bank-full.csv已经上传到了HDFS的”/data/dataset/“目录下。

阶段三、对数据集进行探索和分析

1、新建一个zeppelin notebook文件，并命名为bank_project。

  2、加载数据集到RDD。在notebook单元格中，输入以下代码，加载数据集到RDD:

1.  val filePath = "/data/dataset/bank-full.csv"      // 定义要加载数据集的hdfs路径
2.  val bankText = sc.textFile(filePath)              // 读取数据集到rdd
3.      　
4.  bankText.cache   // 缓存rdd

同时按下Shift+Enter键，执行以上代码。

3、对数据集进行简单探索。在notebook单元格中，输入以下代码：

1.  bankText.take(2).foreach(println)

同时按下Shift+Enter键，执行以上代码，输出内容如下：

“age”;”job”;”marital”;”education”;”default”;”balance”;”housing”;”loan”;”contact”;”day”;”month”;”duration”;”campaign”;”pdays”;”previous”;”poutcome”;”y”
58;”management”;”married”;”tertiary”;”no”;2143;”yes”;”no”;”unknown”;5;”may”;261;1;-1;0;”unknown”;”no”

由以上输出内容可以看出，原始的数据集中带有标题行。另外，除了我们关注的5个字段外，实际还包括了其他更多的字段。

4、数据提炼。我们需要对原始数据集进行处理，去掉标题行，并只提取所需要的5个字段。在notebook单元格中，输入以下代码：

1.  // 定义case class类
2.  case class Bank(age:Integer,job:String,marital:String,education:String,balance:Integer)
3.      　
4.  // 拆分每一行，过滤掉第一行(以age开头的标题行)，并映射到 Bank case class
5.  val bank = bankText.map(s => s.split(";")).filter(s => s(0) != "\"age\"").map(s => 
6.         Bank(s(0).replaceAll("\"","").replaceAll(" ", "").toInt,
7.              s(1).replaceAll("\"",""),
8.              s(2).replaceAll("\"",""),
9.              s(3).replaceAll("\"",""),
10.             s(5).replaceAll("\"","").toInt)
11.     )

同时按下Shift+Enter键，执行以上代码，输出内容如下：

defined class Bank
bank: org.apache.spark.rdd.RDD[Bank] = MapPartitionsRDD[4] at map at :36

由以上输出内容可以看出，经过转换以后，RDD中的内容变量了Bank类型的对象。

5、将band RDD转换为DataFrame。在notebook单元格中，输入以下代码：

1.  val bankDF = bank.toDF()

同时按下Shift+Enter键，执行以上代码，输出内容如下：

bankDF: org.apache.spark.sql.DataFrame = [age: int, job: string … 3 more fields]

由以上输出内容可以看出，经过转换以后，我们获得了一个名为bankDF的DataFrame。

6、查看bankDF的数据和格式。在notebook单元格中，输入以下代码：

1.  bankDF.show

同时按下Shift+Enter键，执行以上代码，输出内容如下：

由以上输出内容可以看出，在使用show方法显示DataFrame时，默认只显示前20行记录。

7、注册临时表，使用SQL进行查询。在notebook单元格中，输入以下代码：

1.  bankDF.createOrReplaceTempView("bank_tb")

同时按下Shift+Enter键，执行以上代码，创建一个名为”bank_tb”的临时视图。

8、查看年龄小于30岁的客户信息。在notebook单元格中，输入以下代码：

1.  spark.sql("select * from bank_tb where age<30").show

同时按下Shift+Enter键，执行以上代码，，输出内容如下：

9、输出DataFrame的Schema模式信息。在notebook单元格中，输入以下代码：

1.  bankDF.printSchema

同时按下Shift+Enter键，执行以上代码，，输出内容如下：

root
 |— age: integer (nullable = true)
 |— job: string (nullable = true)
 |— marital: string (nullable = true)
 |— education: string (nullable = true)
 |— balance: integer (nullable = true)

由以上输出内容可以看出，在转换为DataFrame时，Spark SQL自动推断数据类型，其中age和balance字段为integer整型，其他字段为string字符串类型。

10、查看不同年龄段的客户人数。在notebook单元格中，输入以下代码：

1.  spark.sql("""select age,count(age) as total_ages 
2.             from bank_tb
3.             where age<30
4.             group by age
5.             order by age""").show

同时按下Shift+Enter键，执行以上代码，输出内容如下：

11、查看不同年龄段的客户人数，并可视化展示。在notebook单元格中，输入以下代码：

1.  %sql
2.  select age,count(age) as total_ages 
3.  from bank_tb
4.  where age<30
5.  group by age
6.  order by age

同时按下Shift+Enter键，执行以上代码，输出内容如下：

注意，在执行可视化时，一定要在单元格中的第一行指定”%sql”。在生成的可视化图上，将鼠标放在不同的比例部分，会出现相应的数字。

12、根据婚姻状况的不同显示对应的年龄分布，并可视化展示。在notebook单元格中，输入以下代码：

1.  %sql
2.  select age, count(1) 
3.  from bank_tb 
4.  where marital="${marital=single,single(未婚)|divorced(离婚)|married(已婚)}" 
5.  group by age 
6.  order by age

同时按下Shift+Enter键，执行以上代码，输出内容如下：

注意，在执行可视化时，一定要在单元格中的第一行指定”%sql”。在生成的可视化图上，可单击下拉框右侧的三角按钮选择婚姻类别，动态查看相应的结果。

阶段四、自行练习

1、使用本案例的数据集，查询客户中每种婚姻状况对应的人数，并可视化呈现。

2、使用本案例的数据集，查询不同年龄段客户的平均存款余额，并可高化呈现。