Spark基于其他数据框中的列对数据框中的列进行重复数据删除

Posted 2023-04-17

【中文标题】Spark基于其他数据框中的列对数据框中的列进行重复数据删除

【英文标题】：Spark Deduplicate column in dataframe based on column in other dataframe

【发布时间】：2016-06-06 17:50:59

【问题描述】：

我正在尝试根据另一个数据框列中的值对 Spark 数据框列中的值进行重复数据删除。 withColumn() 似乎只能在单个数据框中工作，并且子查询要到版本 2 才能完全可用。我想我可以尝试加入这些表，但这似乎有点混乱。大致思路如下：

df.take(1)
[Row(TIMESTAMP='20160531 23:03:33', CLIENT ID=233347, ROI NAME='my_roi', ROI VALUE=1, UNIQUE_ID='173888')]

df_re.take(1)
[Row(UNIQUE_ID='6866144:ST64PSIMT5MB:1')]

基本上只想从df 中获取值并删除在df_re 中找到的任何值，然后返回整个数据框，其中包含那些重复的行已删除。我确信我可以迭代每一个，但我想知道是否有更好的方法。 有什么想法吗？

【参考方案1】：

执行此操作的方法是执行left_outerjoin，然后过滤连接右侧为空的位置。比如：

val df1 = Seq((1,2),(2,123),(3,101)).toDF("uniq_id", "payload")
val df2 = Seq((2,432)).toDF("uniq_id", "other_data")

df1.as("df1").join(
  df2.as("df2"),
  col("df1.uniq_id") === col("df2.uniq_id"),
  "left_outer"
).filter($"df2.uniq_id".isNull)