Question

如何只返回列数值在指定列表中的Spark DataFrame的行？

这是我的Python pandas执行此操作的方式：

df_start = df[df['name'].isin(['App Opened', 'App Launched'])].copy()

我看到this SO scala实现并尝试了几种排列，但无法使其工作。

这是使用pyspark进行尝试失败的尝试：

df_start = df_spark.filter(col("name") isin ['App Opened', 'App Launched'])

输出：

Traceback (most recent call last):
  File "/tmp/zeppelin_pyspark-6660042787423349557.py", line 253, in <module>
    code = compile('\n'.join(final_code), '<stdin>', 'exec', ast.PyCF_ONLY_AST, 1)
  File "<stdin>", line 18
    df_start = df_spark.filter(col("name") isin ['App Opened', 'App Launched'])
                                               ^
SyntaxError: invalid syntax

另一次尝试：

df_start = df_spark.filter(col("name").isin(['App Opened', 'App Launched']))

输出：

Traceback (most recent call last):
  File "/tmp/zeppelin_pyspark-6660042787423349557.py", line 267, in <module>
    raise Exception(traceback.format_exc())
Exception: Traceback (most recent call last):
  File "/tmp/zeppelin_pyspark-6660042787423349557.py", line 260, in <module>
    exec(code)
  File "<stdin>", line 18, in <module>
NameError: name 'col' is not defined

Answer 1

正如dmdmdmdmdmd在评论中指出的那样，第二种方法不起作用，因为需要导入col：

from pyspark.sql.functions import col
df_start = df_spark.filter(col("name").isin(['App Opened', 'App Launched']))

这是完成过滤器的另一种方法：

df_start = df_spark.filter(df_spark.name.isin(['App Opened', 'App Launched']))

是否可以使用pyspark过滤Spark DataFrames以返回列值在列表中的所有行？

1 个答案: