如何删除pyspark数据框中的列

阅读 Spark 文档，我发现了一个更简单的解决方案。

从 spark 1.4 版开始，有一个函数 drop(col) 可以在数据帧上的 pyspark 中使用。

您可以通过两种方式使用它

df.drop('年龄') df.drop(df.age)

Pyspark Documentation - Drop

---

添加到@Patrick 的答案，您可以使用以下内容删除多列

columns_to_drop = ['id', 'id_copy']
df = df.drop(*columns_to_drop)

---

一个简单的方法是用户“select”并意识到您可以使用 df.columns 获取 dataframe、df 的所有 columns 的列表

drop_list = ['a column', 'another column', ...]

df.select([column for column in df.columns if column not in drop_list])

---

您可以使用两种方式：

1：您只需保留必要的列：

drop_column_list = ["drop_column"]
df = df.select([column for column in df.columns if column not in drop_column_list])  

2：这是更优雅的方式。

df = df.drop("col_name")

您应该避免使用 collect() 版本，因为它会将完整的数据集发送给 master，这将需要大量的计算工作！

---

您可以明确命名要保留的列，如下所示：

keep = [a.id, a.julian_date, a.user_id, b.quan_created_money, b.quan_created_cnt]

或者在更一般的方法中，您将通过列表理解包含除特定列之外的所有列。例如像这样（不包括 b 中的 id 列）：

keep = [a[c] for c in a.columns] + [b[c] for c in b.columns if c != 'id']

最后，您对加入结果进行选择：

d = a.join(b, a.id==b.id, 'outer').select(*keep)

---

也许有点离题，但这里是使用 Scala 的解决方案。从您的 oldDataFrame 中创建一个 Array 列名称，然后删除您要删除的列 ("colExclude")。然后将 Array[Column] 传递给 select 并解压缩它。

val columnsToKeep: Array[Column] = oldDataFrame.columns.diff(Array("colExclude"))
                                               .map(x => oldDataFrame.col(x))
val newDataFrame: DataFrame = oldDataFrame.select(columnsToKeep: _*)

---

是的，可以通过这样的切片来删除/选择列：

切片 = data.columns[a:b]

data.select(slice).show()

例子：

newDF = spark.createDataFrame([
                           (1, "a", "4", 0), 
                            (2, "b", "10", 3), 
                            (7, "b", "4", 1), 
                            (7, "d", "4", 9)],
                            ("id", "x1", "x2", "y"))


slice = newDF.columns[1:3]
newDF.select(slice).show()

使用 select 方法获取特征列：

features = newDF.columns[:-1]
newDF.select(features).show()

使用 drop 方法获取最后一列：

last_col= newDF.drop(*features)
last_col.show()

---

考虑 2 个数据帧：

>>> aDF.show()
+---+----+
| id|datA|
+---+----+
|  1|  a1|
|  2|  a2|
|  3|  a3|
+---+----+

和

>>> bDF.show()
+---+----+
| id|datB|
+---+----+
|  2|  b2|
|  3|  b3|
|  4|  b4|
+---+----+

要完成您正在寻找的东西，有两种方法：

1、加盟条件不同。而不是说 aDF.id == bDF.id

aDF.join(bDF, aDF.id == bDF.id, "outer")

写这个：

aDF.join(bDF, "id", "outer").show()
+---+----+----+
| id|datA|datB|
+---+----+----+
|  1|  a1|null|
|  3|  a3|  b3|
|  2|  a2|  b2|
|  4|null|  b4|
+---+----+----+

这将自动摆脱额外的丢弃过程。

2.使用别名：您将丢失与B特定ID相关的数据。

>>> from pyspark.sql.functions import col
>>> aDF.alias("a").join(bDF.alias("b"), aDF.id == bDF.id, "outer").drop(col("b.id")).show()

+----+----+----+
|  id|datA|datB|
+----+----+----+
|   1|  a1|null|
|   3|  a3|  b3|
|   2|  a2|  b2|
|null|null|  b4|
+----+----+----+

---

您可以像这样删除列：

df.drop("column Name).columns

在你的情况下：

df.drop("id").columns

如果你想删除多于一列，你可以这样做：

dfWithLongColName.drop("ORIGIN_COUNTRY_NAME", "DEST_COUNTRY_NAME")

---