Question

>>> a
DataFrame[id: bigint, julian_date: string, user_id: bigint]
>>> b
DataFrame[id: bigint, quan_created_money: decimal(10,0), quan_created_cnt: bigint]
>>> a.join(b, a.id==b.id, 'outer')
DataFrame[id: bigint, julian_date: string, user_id: bigint, id: bigint, quan_created_money: decimal(10,0), quan_created_cnt: bigint]

有两个id: bigint，我想删除一个。我该怎么办？

Answer 1

阅读Spark文档，我发现了一个更简单的解决方案。

从spark 1.4版开始，有一个函数drop(col)可以在数据帧的pyspark中使用。

您可以通过两种方式使用它

df.drop('age').collect()
df.drop(df.age).collect()

Pyspark Documentation - Drop

Answer 2

添加到@ Patrick的答案，您可以使用以下内容删除多列

columns_to_drop = ['id', 'id_copy']
df = df.drop(*columns_to_drop)

Answer 3

执行此操作的一种简单方法是向用户“select”显示，您可以获取columns，dataframe的所有df列表，其中包含df.columns 1}}

drop_list = ['a column', 'another column', ...]

df.select([column for column in df.columns if column not in drop_list])

Answer 4

您可以明确命名要保留的列，如下所示：

keep = [a.id, a.julian_date, a.user_id, b.quan_created_money, b.quan_created_cnt]

或者在更通用的方法中，您通过列表理解包括除特定列之外的所有列。例如像这样（不包括id中的b列）：

keep = [a[c] for c in a.columns] + [b[c] for c in b.columns if c != 'id']

最后，您可以选择加入结果：

d = a.join(b, a.id==b.id, 'outer').select(*keep)

Answer 5

您可以使用两种方式：

1：您只需保留必要的列：

drop_column_list = ["drop_column"]
df = df.select([column for column in df.columns if column not in drop_column_list])

2：这是更优雅的方式。

df = df.drop("col_name")

您应该避免使用collect（）版本，因为它将完整的数据集发送到主数据库，这将需要大量的计算工作！

Answer 6

可能有点偏离主题，但这是使用Scala的解决方案。从Array中创建oldDataFrame列名称，然后删除要删除的列("colExclude")。然后将Array[Column]传递给select并解压缩。

val columnsToKeep: Array[Column] = oldDataFrame.columns.diff(Array("colExclude"))
                                               .map(x => oldDataFrame.col(x))
val newDataFrame: DataFrame = oldDataFrame.select(columnsToKeep: _*)

Answer 7

是的，可以通过像这样切片来删除/选择列：

slice = data.columns[a:b]

data.select(slice).show()

示例：

newDF = spark.createDataFrame([
                           (1, "a", "4", 0), 
                            (2, "b", "10", 3), 
                            (7, "b", "4", 1), 
                            (7, "d", "4", 9)],
                            ("id", "x1", "x2", "y"))


slice = newDF.columns[1:3]
newDF.select(slice).show()

使用select方法获取特征列：

features = newDF.columns[:-1]
newDF.select(features).show()

使用 drop 方法获取最后一列：

last_col= newDF.drop(*features)
last_col.show()

Answer 8

考虑2个dataFrames：

>>> aDF.show()
+---+----+
| id|datA|
+---+----+
|  1|  a1|
|  2|  a2|
|  3|  a3|
+---+----+

和

>>> bDF.show()
+---+----+
| id|datB|
+---+----+
|  2|  b2|
|  3|  b3|
|  4|  b4|
+---+----+

要完成您要寻找的东西，有两种方法：

1。加入条件不同。不用说aDF.id == bDF.id

aDF.join(bDF, aDF.id == bDF.id, "outer")

写下：

aDF.join(bDF, "id", "outer").show()
+---+----+----+
| id|datA|datB|
+---+----+----+
|  1|  a1|null|
|  3|  a3|  b3|
|  2|  a2|  b2|
|  4|null|  b4|
+---+----+----+

这将自动消除多余的删除过程。

2。使用别名：您将因此丢失与B特定ID相关的数据。

>>> from pyspark.sql.functions import col
>>> aDF.alias("a").join(bDF.alias("b"), aDF.id == bDF.id, "outer").drop(col("b.id")).show()

+----+----+----+
|  id|datA|datB|
+----+----+----+
|   1|  a1|null|
|   3|  a3|  b3|
|   2|  a2|  b2|
|null|null|  b4|
+----+----+----+

Answer 9

您可以这样删除列：

df.drop("column Name).columns

在您的情况下：

df.drop("id").columns

如果要删除多个列，可以执行以下操作：

dfWithLongColName.drop("ORIGIN_COUNTRY_NAME", "DEST_COUNTRY_NAME")

如何删除pyspark数据帧中的列

9 个答案: