在火花中过滤数据框使用“in a set”子句

Posted 2023-04-15

【中文标题】在火花中过滤数据框使用“in a set”子句

【英文标题】：filtering a dataframe in spark use "in a set" clause

【发布时间】：2017-02-10 02:03:50

【问题描述】：

我正在使用pyspark。我有一个火花数据框my_sdf，其col1 是整数，我预定义了一个整数列表

S1 = [1,2,3,4]

然后我想返回我的my_sdf 中的行，其中col1 在集合S1 中。所以我做了以下事情：

Test1 = my_sdf.filter(my_sdf.col1 in S1).cache()
# or Test1 = my_sdf.filter(my_sdf.col1 not in S1).cache()
Test1.count()

但它会返回

ValueError：无法将列转换为布尔值：请使用 '&' 表示 'and'、'|' for 'or', '~' for 'not' 在构建 DataFrame 布尔表达式时。

我不知道如何解决这个问题。最后，我想将S1 = [] 作为一个空列表作为我迭代的起点，在循环期间，我将更新S1。同样，not in S1 也不起作用。我试着写了

Test1 = my_sdf.filter((my_sdf.col1 <10) & (my_sdf.col1>2)).cache()

可以，但是如果我使用过滤条件in S1，那就不行了。

另一个问题是：cache() 这个东西在做什么？如果我不放那会有什么不同吗？我被告知 spark 是lazy 用于评估代码，所以在我调用Test.count() 之前，它实际上并没有执行之前的过滤命令。但我不确定这个cache() 的工作原理有多准确。

【参考方案1】：

你可以使用isin

对于您的问题，您可以尝试以下方法：

from pyspark.sql.functions import col

Test1 = my_sdf.where(col("col1").isin(S1))

根据我的理解，缓存用于保存数据帧的当前值。这很有帮助，因为如果您想再次使用该数据帧，spark 将从缓存中获取值，而不是从头开始再次计算。所以，如果你的代码只做Test1.count，那么缓存与否并不重要。 CMIIW

【讨论】：

谢谢！我也玩过，我找到not in，我们可以使用`my_sdf.where((col("col1").isin(S1)) & (~col("col1").isin(S2))) `

我的另一个问题是：如果S1 不是python 列表，而是一个pyspark 数据框，其中有一列看起来像[Row(S=9527), Row(S=36)]，那么我测试了这个isin 函数不起作用.你有什么想法让它继续工作吗？