PySpark:使用isin过滤返回空数据框

时间:2019-03-07 14:41:15

标签: python apache-spark pyspark apache-spark-sql pyspark-sql

上下文: 我需要使用 isin 函数基于包含另一个数据框的列的内容来过滤数据框。

对于使用pandas的Python用户,该名称为: isin()
对于R用户,该名称为:%in%

所以我有一个简单的spark数据框,其中包含 id value 列:

l = [(1, 12), (1, 44), (1, 3), (2, 54), (3, 18), (3, 11), (4, 13), (5, 78)]
df = spark.createDataFrame(l, ['id', 'value'])
df.show()

+---+-----+
| id|value|
+---+-----+
|  1|   12|
|  1|   44|
|  1|    3|
|  2|   54|
|  3|   18|
|  3|   11|
|  4|   13|
|  5|   78|
+---+-----+

我想获取所有出现多次的ID。这是df中唯一ID的数据框:

unique_ids = df.groupBy('id').count().where(col('count') < 2)
unique_ids.show()

+---+-----+
| id|count|
+---+-----+
|  5|    1|
|  2|    1|
|  4|    1|
+---+-----+

因此,逻辑运算将是:

 df = df[~df.id.isin(unique_ids.id)]
 # This is the same than:
 df = df[df.id.isin(unique_ids.id) == False]

但是,我得到一个空的数据框:

df.show()

+---+-----+
| id|value|
+---+-----+
+---+-----+ 

此“错误”以相反的方式起作用:

df[df.id.isin(unique_ids.id)]

返回df的所有行。

1 个答案:

答案 0 :(得分:7)

表达式df.id.isin(unique_ids.id) == False正在评估是否Column<b'((id IN (id)) = false)'>,这将永远不会发生,因为 id在id 中。但是,表达式df.id.isin(unique_ids.id)正在评估是否Column<b'(id IN (id))'>,并且这始终是正确的,因此它返回整个数据帧。 unique_ids.id是列而不是列表。

isin(*cols)收到值列表作为参数而不是列,因此,以这种方式工作,您应该执行以下操作:

ids = unique_ids.rdd.map(lambda x:x.id).collect()
df[df.id.isin(ids)].collect() # or show...

您将获得:

[Row(id=2, value=54), Row(id=4, value=13), Row(id=5, value=78)]

无论如何,我认为将两个数据框都加入会更好:

df_ = df.join(unique_ids, on='id')

获取:

df_.show()
+---+-----+-----+
| id|value|count|
+---+-----+-----+
|  5|   78|    1|
|  2|   54|    1|
|  4|   13|    1|
+---+-----+-----+