从 PySpark 中的数据框中删除重复项

Posted 2023-04-17

【中文标题】从 PySpark 中的数据框中删除重复项

【英文标题】：Remove duplicates from a dataframe in PySpark

【发布时间】：2015-06-26 03:08:28

【问题描述】：

我在本地处理 pyspark 1.4 中的数据帧，并且在使 dropDuplicates 方法工作时遇到问题。它不断返回错误：

"AttributeError: 'list' 对象没有属性 'dropDuplicates'"

不太清楚为什么，因为我似乎遵循latest documentation 中的语法。

#loading the CSV file into an RDD in order to start working with the data
rdd1 = sc.textFile("C:\myfilename.csv").map(lambda line: (line.split(",")[0], line.split(",")[1], line.split(",")[2], line.split(",")[3])).collect()

#loading the RDD object into a dataframe and assigning column names
df1 = sqlContext.createDataFrame(rdd1, ['column1', 'column2', 'column3', 'column4']).collect()

#dropping duplicates from the dataframe
df1.dropDuplicates().show()

【参考方案1】：

这不是进口问题。您只需在错误的对象上调用.dropDuplicates()。虽然sqlContext.createDataFrame(rdd1, ...) 的类是pyspark.sql.dataframe.DataFrame，但在您应用.collect() 之后，它是一个普通的Python list，并且列表不提供dropDuplicates 方法。你想要的是这样的：

 (df1 = sqlContext
     .createDataFrame(rdd1, ['column1', 'column2', 'column3', 'column4'])
     .dropDuplicates())

 df1.collect()

【参考方案2】：

如果您有一个数据框并希望删除所有重复项——参考特定列中的重复项（称为“colName”）：

重复数据删除前的计数：

df.count()

进行重复数据删除（将要重复数据删除的列转换为字符串类型）：

from pyspark.sql.functions import col
df = df.withColumn('colName',col('colName').cast('string'))

df.drop_duplicates(subset=['colName']).count()

可以使用 sorted groupby 来检查是否已删除重复项：

df.groupBy('colName').count().toPandas().set_index("count").sort_index(ascending=False)