从PySpark阵列列中删除重复项

Question

我有一个包含CloudWatch列的PySpark数据框。该列包含数组中需要删除的重复字符串。例如，一行条目可能看起来像console.logs()。假设我的数据框名为ArrayType(StringType())，而我的列名为[milk, bread, milk, toast]。我需要类似的东西：

df

我的直觉是对此有一个简单的解决方案，但是在浏览stackoverflow 15分钟之后，我发现没有比分解该列，删除整个数据帧上的重复项然后再进行分组更好的了。 got 是一种我没想到的简单方法，对吗？

我正在使用Spark版本'2.3.1'。

Answer 1

对于pyspark 2.4+版本，您可以使用pyspark.sql.functions.array_distinct：

from pyspark.sql.functions import array_distinct
df = df.withColumn("arraycol_without_dupes", array_distinct("arraycol"))

---

对于较早的版本，您可以 使用explode + groupBy和collect_set的API函数来完成此操作，但是udf可能是效率更高：

from pyspark.sql.functions import udf

remove_dupes_from_array = udf(lambda row: list(set(row)), ArrayType(StringType()))
df = df.withColumn("arraycol_without_dupes", remove_dupes_from_array("arraycol"))