假设我有一个相当大的数据集,格式如下:
data = sc.parallelize([('Foo',41,'US',3),
('Foo',39,'UK',1),
('Bar',57,'CA',2),
('Bar',72,'CA',2),
('Baz',22,'US',6),
('Baz',36,'US',6)])
我想做的是仅根据第一列、第三列和第四列的值删除重复的行。
删除完全重复的行很简单:
data = data.distinct()
并且将删除第 5 行或第 6 行
但是我如何只删除基于第 1、3 和 4 列的重复行?即删除其中之一:
('Baz',22,'US',6)
('Baz',36,'US',6)
在 Python 中,这可以通过使用 .drop_duplicates()
指定列来完成。如何在 Spark/Pyspark 中实现相同的目标?
Pyspark 确实包含一个在 1.4 中引入的 dropDuplicates()
方法。 https://spark.apache.org/docs/latest/api/python/reference/api/pyspark.sql.DataFrame.dropDuplicates.html
>>> from pyspark.sql import Row
>>> df = sc.parallelize([ \
... Row(name='Alice', age=5, height=80), \
... Row(name='Alice', age=5, height=80), \
... Row(name='Alice', age=10, height=80)]).toDF()
>>> df.dropDuplicates().show()
+---+------+-----+
|age|height| name|
+---+------+-----+
| 5| 80|Alice|
| 10| 80|Alice|
+---+------+-----+
>>> df.dropDuplicates(['name', 'height']).show()
+---+------+-----+
|age|height| name|
+---+------+-----+
| 5| 80|Alice|
+---+------+-----+
从您的问题来看,尚不清楚您要使用哪些列来确定重复项。该解决方案背后的总体思路是根据标识重复项的列的值创建一个键。然后,您可以使用 reduceByKey 或 reduce 操作来消除重复项。
以下是一些帮助您入门的代码:
def get_key(x):
return "{0}{1}{2}".format(x[0],x[2],x[3])
m = data.map(lambda x: (get_key(x),x))
现在,您有一个键值对 RDD
,它由第 1,3 和 4 列作为键。下一步将是 reduceByKey
或 groupByKey
和 filter
。这将消除重复。
r = m.reduceByKey(lambda x,y: (x))
我知道您已经接受了另一个答案,但是如果您想将其作为 DataFrame 执行,只需使用 groupBy 和 agg。假设您已经创建了一个 DF(列名为“col1”、“col2”等),您可以执行以下操作:
myDF.groupBy($"col1", $"col3", $"col4").agg($"col1", max($"col2"), $"col3", $"col4")
请注意,在这种情况下,我选择了 col2 的 Max,但您可以使用 avg、min 等。
$"col1"
替换为 col("col1")
等。
同意大卫。补充一点,我们可能不希望对聚合函数中除列之外的所有列进行分组,即,如果我们想纯粹基于列的子集删除重复项并保留原始数据框中的所有列.因此,更好的方法是使用 Spark 1.4.0 中提供的 dropDuplicates Dataframe api
如需参考,请参阅:https://spark.apache.org/docs/1.4.0/api/scala/index.html#org.apache.spark.sql.DataFrame
我使用了内置函数 dropDuplicates()。下面给出的Scala代码
val data = sc.parallelize(List(("Foo",41,"US",3),
("Foo",39,"UK",1),
("Bar",57,"CA",2),
("Bar",72,"CA",2),
("Baz",22,"US",6),
("Baz",36,"US",6))).toDF("x","y","z","count")
data.dropDuplicates(Array("x","count")).show()
输出 :
+---+---+---+-----+
| x| y| z|count|
+---+---+---+-----+
|Baz| 22| US| 6|
|Foo| 39| UK| 1|
|Foo| 41| US| 3|
|Bar| 57| CA| 2|
+---+---+---+-----+
下面的程序将帮助您完全删除重复项,或者如果您想根据某些列删除重复项,您甚至可以这样做:
import org.apache.spark.sql.SparkSession
object DropDuplicates {
def main(args: Array[String]) {
val spark =
SparkSession.builder()
.appName("DataFrame-DropDuplicates")
.master("local[4]")
.getOrCreate()
import spark.implicits._
// create an RDD of tuples with some data
val custs = Seq(
(1, "Widget Co", 120000.00, 0.00, "AZ"),
(2, "Acme Widgets", 410500.00, 500.00, "CA"),
(3, "Widgetry", 410500.00, 200.00, "CA"),
(4, "Widgets R Us", 410500.00, 0.0, "CA"),
(3, "Widgetry", 410500.00, 200.00, "CA"),
(5, "Ye Olde Widgete", 500.00, 0.0, "MA"),
(6, "Widget Co", 12000.00, 10.00, "AZ")
)
val customerRows = spark.sparkContext.parallelize(custs, 4)
// convert RDD of tuples to DataFrame by supplying column names
val customerDF = customerRows.toDF("id", "name", "sales", "discount", "state")
println("*** Here's the whole DataFrame with duplicates")
customerDF.printSchema()
customerDF.show()
// drop fully identical rows
val withoutDuplicates = customerDF.dropDuplicates()
println("*** Now without duplicates")
withoutDuplicates.show()
val withoutPartials = customerDF.dropDuplicates(Seq("name", "state"))
println("*** Now without partial duplicates too")
withoutPartials.show()
}
}
这是我的 Df contains 4 重复两次,所以这里将删除重复的值。
scala> df.show
+-----+
|value|
+-----+
| 1|
| 4|
| 3|
| 5|
| 4|
| 18|
+-----+
scala> val newdf=df.dropDuplicates
scala> newdf.show
+-----+
|value|
+-----+
| 1|
| 3|
| 5|
| 4|
| 18|
+-----+
df.dropDuplicates()
示例,包括如何将其应用于多个列(我最初的问题)。