Pyspark用NULL替换NaN

时间:2018-06-22 17:09:57

标签: python pyspark-sql

我使用Spark执行加载到Redshift的数据转换。 Redshift不支持NaN值,因此我需要将所有出现的NaN替换为NULL。

我尝试过这样的事情:

some_table = sql('SELECT * FROM some_table')
some_table = some_table.na.fill(None)

但是我遇到了以下错误:

  

ValueError:值应为float,int,long,string,bool或dict

因此,似乎na.fill()不支持None。我特别需要替换为NULL,而不要替换其他值,例如0

3 个答案:

答案 0 :(得分:5)

df = spark.createDataFrame([(1, float('nan')), (None, 1.0)], ("a", "b"))
df.show()

+----+---+        
|   a|  b|
+----+---+
|   1|NaN|
|null|1.0|
+----+---+

df = df.replace(float('nan'), None)
df.show()

+----+----+
|   a|   b|
+----+----+
|   1|null|
|null| 1.0|
+----+----+

您可以使用.replace函数在一行代码中将值更改为null

答案 1 :(得分:3)

经过一段时间的谷歌搜索,我终于找到了答案。

df = spark.createDataFrame([(1, float('nan')), (None, 1.0)], ("a", "b"))
df.show()

+----+---+
|   a|  b|
+----+---+
|   1|NaN|
|null|1.0|
+----+---+

import pyspark.sql.functions as F
columns = df.columns
for column in columns:
    df = df.withColumn(column,F.when(F.isnan(F.col(column)),None).otherwise(F.col(column)))

sqlContext.registerDataFrameAsTable(df, "df2")
sql('select * from df2').show()

+----+----+
|   a|   b|
+----+----+
|   1|null|
|null| 1.0|
+----+----+

它不使用na.fill(),但是它实现了相同的结果,所以我很高兴。

答案 2 :(得分:0)

您是否尝试过some_table.na.fill(null)