使用Spark SQL 探索“全国失信人数据”

Posted 2023-01-20 ZeroTeam_麒麟

“全国法院失信被执行人名单”，网址：http://shixin.court.gov.cn/，可供查询，用于惩罚失信人员。数据量有100多万，也算是大数据了。其中身份证号已被处理，并不能直接看到全部号码。本人承诺不将此数据用于非法用途和不正当用途，仅作为个人学习数据处理分析的数据源，不针对任何个人和组织。

数据字段如下：

被执行人姓名/名称 
性别 
年龄 
身份证号码/组织机构代码 
法定代表人或者负责人姓名 
执行法院 
省份 
执行依据文号 
立案时间 
案号 
做出执行依据单位 
生效法律文书确定的义务 
被执行人的履行情况 
失信被执行人行为具体情形 
发布时间 
关注次数

数据保存为JSON格式，比如：

"id":1000000,"iname":"潘靖","caseCode":"(2014)鄂京山执字第00035号","age":23,"sexy":"男","cardNum":"4208211992****4513","courtName":"京山县人民法院","areaName":"湖北","partyTypeName":"580","gistId":"（2012）鄂京山道字第162号民事判决书","regDate":"2014年02月24日","gistUnit":"湖北省京山县人民法院道交法庭","duty":"被告赔偿原告款401700元。","performance":"全部未履行","disruptTypeName":"其他有履行能力而拒不履行生效法律文书确定义务","publishDate":"2015年03月23日"
 
1

失信人数据分为个人、机构。 
为了能够方便将统计结果图表化，还是采用Zeppelin notebook来处理。 
读入数据：

val json_text = sqlContext.jsonFile("/home/zhf/Downloads/shixin_person.txt")
 
1

输出JSON字段：

json_text: org.apache.spark.sql.DataFrame = [age: bigint, areaName: string, businessEntity: string, cardNum: string, caseCode: string, courtName: string, disruptTypeName: string, duty: string, gistId: string, gistUnit: string, id: bigint, iname: string, partyTypeName: string, performance: string, performedPart: string, publishDate: string, regDate: string, sexy: string, unperformPart: string]
 
1

将表缓存以便后续快速查询：

json_text.registerTempTable("shixinren")
sqlContext.cacheTable("shixinren")
 
1
2

总记录数：

%sql select count(*) from shixinren
 
1

1,415,577
 
1

机构数量：

#粗略地把名字长度大于5的认为是机构
%sql select count(*) from shixinren where length(iname) >= 5
 
1
2

200,513

其余的都认为是个人。
 
1

年龄分布：

%sql select age,count(*) from shixinren group by age order by age
 
1

可见，发生纠纷的人主要是成年人，中年人占大多数。数据也有一些问题，可能是数据在填写时候的失误。 
性别分布：

%sql select sexy,count(*) from shixinren group by sexy
 
1

男性较多啊，男性从时候经济活动的比较多。还有部分缺失性别的数据。 
省份分布：

%sql select areaName,count(*) c from shixinren group by areaName order by c desc 
 
1

发生纠纷的主要是经济大省和人口大省，一方面这些地方的经济行为较多，另一方面这些地方的人法律意识较强（被告的法律意识不够强啊）。 
处理案件最多的前10个法院：

%sql select courtName,count(*) c from shixinren group by courtName order by c desc limit 10
 
1

好像都是浙江的法院，然并卵啊。

责任履行情况：

%sql select performance,count(*) from shixinren group by performance
 
1

不履行责任的原因：

%sql select disruptTypeName,count(*) c from shixinren group by disruptTypeName order by c desc limit 10
 
1

看来不履行法院判定的责任并不是没有能力啊。 
不履行责任的姓氏TOP20:

%sql select substr(iname,0,1),count(*) c from shixinren where length(iname) <3 group by substr(iname,0,1) order by c desc limit 20
 
1

为了方便，不统计复姓。排前的都是常见的姓氏。 
法院立案的年份：

%sql select substr(regdate,0,4),count(*) c  from shixinren group by substr(regdate,0,4)
 
1

近年来数量逐步增加，可不是好事啊。同样数据有少量错误。 
立案月份分布： 

%sql select substr(substr(regdate,6,6),0,2),count(*) c from shixinren group by substr(substr(regdate,6,6),0,2) 
 
1

全年分布均匀，1月份最多，可能是到年头了，还不还款，只好到法院解决（没想到最后还是没能解决！）。

一个人/机构多次作为被告的情况：

#姓名、证件号码一致就认为是同一个被告了
%sql select count(*) from (select iname,cardNum,count(*) c from shixinren group by iname,cardNum having c>1)t
 
1
2

187,020
 
1

前10：

%sql select iname,cardNum,count(*) c from shixinren group by iname,cardNum having c>1 order by c desc limit 10
 
1

竟然有这么多，这种时候主要还是公司，但也有“牛人”啊。 

其中，案件的【生效法律文书确定的义务】如果通过分词，再统计词频，就可以知道哪些事件发生欠款的比较多了，用SQL的话，需要写UDF来分词，这里就不处理了。

转载地址:http://lib.csdn.net/article/spark/63646