Scribd
Importer
2 vues2 pages

BigData - NoSQL - TD1

Le document présente un TD sur le paradigme MapReduce, avec quatre exercices pratiques. Chaque exercice vise à appliquer MapReduce pour des tâches spécifiques, telles que le calcul de moyennes, la somme d'heures travaillées, le temps moyen de connexion et le comptage des noms par initiale. Les logiques de traitement pour chaque exercice sont clairement définies, incluant des exemples d'entrée et de résultats attendus.

Transféré par

abderrahmaneelkeddadi.2007
Copyright
© All Rights Reserved
Nous prenons très au sérieux les droits relatifs au contenu. Si vous pensez qu’il s’agit de votre contenu, signalez une atteinte au droit d’auteur ici.
Formats disponibles
Téléchargez aux formats PDF, TXT ou lisez en ligne sur Scribd
2 vues2 pages

BigData - NoSQL - TD1

Le document présente un TD sur le paradigme MapReduce, avec quatre exercices pratiques. Chaque exercice vise à appliquer MapReduce pour des tâches spécifiques, telles que le calcul de moyennes, la somme d'heures travaillées, le temps moyen de connexion et le comptage des noms par initiale. Les logiques de traitement pour chaque exercice sont clairement définies, incluant des exemples d'entrée et de résultats attendus.

Transféré par

abderrahmaneelkeddadi.2007
Copyright
© All Rights Reserved
Nous prenons très au sérieux les droits relatifs au contenu. Si vous pensez qu’il s’agit de votre contenu, signalez une atteinte au droit d’auteur ici.
Formats disponibles
Téléchargez aux formats PDF, TXT ou lisez en ligne sur Scribd

Faculté Polydisciplinaire - Safi Filières : IIA & SD / Semestre : 6

Module : Big Data et NoSQL


TD1 : Programmation et analyse d’applications
MapReduce

Ce TD a pour objectif de consolider la compréhension du paradigme MapReduce à travers une


série d’exercices appliqués au traitement distribué de données.

Exercice 1 – Calcul de la note moyenne par étudiant


Objectif : Calculer la note moyenne de chaque étudiant à partir d'un ensemble de notes.

Travail demandé : Décrire un traitement MapReduce permettant de regrouper les notes par
étudiant puis de calculer la moyenne correspondante.

Logique attendue :
• Mapper : émettre (étudiant, note) pour chaque ligne d'entrée ;
• Reducer : calculer la moyenne des notes pour chaque étudiant, puis
émettre (étudiant, moyenne).

Exemple d'entrée :
E01,Math,14
E01,Algo,16
E02,Math,12

Résultat attendu :
E01 15
E02 12

Exercice 2 – Calcul du total des heures travaillées par employé


Objectif : Calculer le total des heures travaillées par chaque employé.

Travail demandé : Décrire un traitement MapReduce permettant de sommer, pour chaque


employé, les heures enregistrées.

Logique attendue :
• Mapper : émettre (employé, heures) pour chaque enregistrement ;
• Reducer : sommer les heures pour chaque employé, puis
émettre (employé, total).

Exemple d'entrée :
2025-01-01,EMP01,8
2025-01-02,EMP01,7
2025-01-01,EMP02,6

1/2
Résultat attendu :
EMP01 15
EMP02 6

Exercice 3 – Calcul du temps moyen de connexion par utilisateur


Objectif : Calculer le temps moyen de connexion de chaque utilisateur.

Travail demandé : Décrire un traitement MapReduce permettant de regrouper les durées par
utilisateur puis d'en calculer la moyenne.

Logique attendue :
• Mapper : émettre (utilisateur, durée) pour chaque ligne ;
• Reducer : calculer la moyenne des durées pour chaque utilisateur, puis
émettre (utilisateur, durée_moyenne).

Exemple d'entrée :
U01,30
U01,45
U02,20

Résultat attendu :
U01 37.5
U02 20

Exercice 4 – Comptage des noms selon leur initiale


Objectif : Compter le nombre de noms commençant par chaque lettre de l'alphabet.

Travail demandé : Décrire un traitement MapReduce permettant d'extraire l'initiale de chaque


nom puis de compter les occurrences associées.

Logique attendue :
• Mapper : extraire la première lettre de chaque nom et émettre (initiale, 1) ;
• Reducer : sommer les occurrences pour chaque initiale, puis
émettre (initiale, total).

Exemple d'entrée :
Ali
Amine
Sara
Samir

Résultat attendu :
A 2
S 2

2/2

Vous aimerez peut-être aussi