您好我已经创建了一个spark数据帧,我正在尝试删除重复项:
arr[0][1]
我收到以下错误:
df.drop_duplicates(subset='id')
正在使用 osx 10.11.4,spark 1.6.1
我跑了一个这样的jupyter笔记本
Py4JError: An error occurred while calling z:org.apache.spark.api.python.PythonUtils.toSeq. Trace:
py4j.Py4JException: Method toSeq([class java.lang.String]) does not exist
at py4j.reflection.ReflectionEngine.getMethod(ReflectionEngine.java:335)
at py4j.reflection.ReflectionEngine.getMethod(ReflectionEngine.java:360)
at py4j.Gateway.invoke(Gateway.java:254)
at py4j.commands.AbstractCommand.invokeMethod(AbstractCommand.java:133)
at py4j.commands.CallCommand.execute(CallCommand.java:79)
at py4j.GatewayConnection.run(GatewayConnection.java:209)
at java.lang.Thread.run(Thread.java:745)
是否有其他一些我可能错过或出错的配置?
答案 0 :(得分:9)
drop_duplicates
/ dropDuplicates
的参数应该是一个名称集合,Java等价物可以转换为Scala Seq
,而不是单个字符串。您可以使用list
:
df.drop_duplicates(subset=['id'])
或tuple
:
df.drop_duplicates(subset=('id', ))