Conclusão do desafio dataproc que consiste na criação de um jop pyspark que leia um arquivo de texto e salve as 10 palavras que mais se repete em outro arquivo. O arquivo contador.py foi modificado para salvar as 10 palavras que mais se repete no arquivo resultado.txt, também foi feito o tratamento para desconsiderar espaços em brancos, que também estava entre as 10 palavras mais repetidas, o job gerou o arquivo part-00000. Foi criado um outro job onde faço a análise de dados do dataset enem.csv que, usando ETL, fiz todo o tratamento necessário e salvei como microdados_enem.csv. A partir daqui foi usado pyspark para manipulação dos dados, o jobo execulta o arquivo analis_enem.py e gera uma arquivo parquet como resultado. Adicionei também o arquivo dicionário_microdados_enem_2016 para possível análise pelos avaliadores.
devaquino / desafio-dataproc Goto Github PK
View Code? Open in Web Editor NEWConclusão do desafio dataproc que consiste na criação de um jop pyspark que leia um arquivo de texto e salve as 10 palavras que mais se repete em outro arquivo