使用isin排除过滤pyspark数据帧

Question

我正在尝试获取数据框中列值不在列表中的所有行（因此通过排除进行过滤）。

举个例子：

df = sqlContext.createDataFrame([('1','a'),('2','b'),('3','b'),('4','c'),('5','d')]
,schema=('id','bar'))

我得到了数据框：

+---+---+
| id|bar|
+---+---+
|  1|  a|
|  2|  b|
|  3|  b|
|  4|  c|
|  5|  d|
+---+---+

我只想排除bar为（'a'或'b'）的行。

使用SQL表达式字符串，它将是：

df.filter('bar not in ("a","b")').show()

有没有办法在不使用SQL表达式的字符串或一次排除一个项目的情况下执行此操作？

编辑：

我可能会有一个列表，['a'，'b']，我想要使用的排除值。

Answer 1

看起来〜给出了我需要的功能，但我还没有找到任何适当的文档。

df.filter(~col('bar').isin(['a','b'])).show()



+---+---+
| id|bar|
+---+---+
|  4|  c|
|  5|  d|
+---+---+

Answer 2

也可能是这样的

df.filter(col('bar').isin(['a','b']) == False).show()

Answer 3

df.filter((df.bar != 'a') & (df.bar != 'b'))

Answer 4

为那些在熊猫大陆拥有顶空并搬到pyspark的人们弄明白了

 from pyspark import SparkConf, SparkContext
 from pyspark.sql import SQLContext

 spark_conf = SparkConf().setMaster("local").setAppName("MyAppName")
 sc = SparkContext(conf = spark_conf)
 sqlContext = SQLContext(sc)

 records = [
     {"colour": "red"},
     {"colour": "blue"},
     {"colour": None},
 ]

 pandas_df = pd.DataFrame.from_dict(records)
 pyspark_df = sqlContext.createDataFrame(records)

因此，如果我们要不红色的行：

pandas_df[~pandas_df["colour"].isin(["red"])]

看起来不错，并在我们的pyspark DataFrame中

pyspark_df.filter(~pyspark_df["colour"].isin(["red"])).collect()

因此，经过一番挖掘，我发现了这一点：https://issues.apache.org/jira/browse/SPARK-20617 因此，在我们的结果中包括虚无：

pyspark_df.filter(~pyspark_df["colour"].isin(["red"]) | pyspark_df["colour"].isNull()).show()