Question

给定数据框：

    val df = sc.parallelize(Seq(("foo", ArrayBuffer(null,"bar",null)), ("bar", ArrayBuffer("one","two",null)))).toDF("key", "value")
    df.show

    +---+--------------------------+
    |key|                     value|
    +---+--------------------------+
    |foo|ArrayBuffer(null,bar,null)|
    |bar|ArrayBuffer(one, two,null)|
    +---+--------------------------+

我想从null列中删除value。删除后，数据框应如下所示：

    +---+--------------------------+
    |key|                     value|
    +---+--------------------------+
    |foo|ArrayBuffer(bar)          |
    |bar|ArrayBuffer(one, two)     |
    +---+--------------------------+

欢迎任何建议。 10x

Answer 1

这里你需要一个UDF。例如，使用flatMap：

val filterOutNull = udf((xs: Seq[String]) => 
  Option(xs).map(_.flatMap(Option(_))))

df.withColumn("value", filterOutNull($"value"))

其中Option外部map处理NULL列：

Option(null: Seq[String]).map(identity)

Option[Seq[String]] = None

Option(Seq("foo", null, "bar")).map(identity)

Option[Seq[String]] = Some(List(foo, null, bar))

并确保在通过映射输入NULL / null时，我们不会因NPE而失败

NULL -> null -> None -> None -> NULL

其中null是Scala null而NULL是SQL NULL。

内部flatMap展开Options有效过滤nulls的序列：

Seq("foo", null, "bar").flatMap(Option(_))

Seq[String] = List(foo, bar)

更迫切的等价物可能是这样的：

val imperativeFilterOutNull = udf((xs: Seq[String]) => 
  if (xs == null) xs
  else for {
    x <- xs
    if x != null
  } yield x)

Answer 2

选项1：使用UDF：

 val filterNull = udf((arr : Seq[String]) => arr.filter((x: String) => x != null))
 df.withColumn("value", filterNull($"value")).show()

选项2：无UDF

df.withColumn("value", explode($"value")).filter($"value".isNotNull).groupBy("key").agg(collect_list($"value")).show()

请注意，效率较低......

Answer 3

你也可以使用spark-daria：com.github.mrpowers.spark.daria.sql.functions.arrayExNull

来自文档：

与数组类似，但不包含null元素

Spark DataFrame - 从列中删除空值

3 个答案: