如何快速检查 PySpark Dataframe 中是不是存在行?
Posted
技术标签:
【中文标题】如何快速检查 PySpark Dataframe 中是不是存在行?【英文标题】:How to quickly check if row exists in PySpark Dataframe?如何快速检查 PySpark Dataframe 中是否存在行? 【发布时间】:2021-05-14 14:55:37 【问题描述】:我有一个这样的 PySpark 数据框:
+------+------+
| A| B|
+------+------+
| 1| 2|
| 1| 3|
| 2| 3|
| 2| 5|
+------+------+
我想对表进行查找以查看是否存在特定行。例如,对于A = 2
、B = 5
的测试,代码应返回True
,对于A = 2
、B = 10
,代码应返回False
。
我试过这个:
df[(df['A'] == 1) & (df['B'] == 2)].rdd.isEmpty()
不幸的是,这段代码需要很长时间才能执行,而且由于这是一个将执行多次的查找(对于不同的 A 和 B 值),我希望有一个更快的方法来完成这项任务。
我正在考虑的其他解决方案是:
将 PySpark 数据帧转换为 Pandas 数据帧,因为行查找速度更快 使用.where()
或 .filter()
虽然根据我的尝试,我预计两者都不会明显更快
在isEmpty()
上使用.count()
【问题讨论】:
【参考方案1】:最好从要查找的条目中创建一个 spark 数据框,然后执行 semi join
或 anti join
以获取查找数据框中存在或不存在的行。这应该比逐个检查条目更有效。
import pyspark.sql.functions as F
df = spark.createDataFrame([[2,5],[2,10]],['A','B'])
result1 = df.join(lookup, ['A','B'], 'semi').withColumn('exists', F.lit(True))
result2 = df.join(lookup, ['A','B'], 'anti').withColumn('exists', F.lit(False))
result = result1.unionAll(result2)
result.show()
+---+---+------+
| A| B|exists|
+---+---+------+
| 2| 5| true|
| 2| 10| false|
+---+---+------+
【讨论】:
【参考方案2】:Spark 函数ANY
提供了一种非常快速的方法来检查数据帧中是否存在记录。
check = df.selectExpr('ANY((A = 2) AND (B = 5)) as chk')
check.show()
# +----+
# | chk|
# +----+
# |true|
# +----+
check = df.selectExpr('ANY((A = 2) AND (B = 10)) as chk')
check.show()
# +-----+
# | chk|
# +-----+
# |false|
# +-----+
【讨论】:
以上是关于如何快速检查 PySpark Dataframe 中是不是存在行?的主要内容,如果未能解决你的问题,请参考以下文章
Pyspark - 如何检查两条记录中哪一条具有最新日期及其列值?
如何在 jupyter 中像 pandas Dataframe 一样打印 Pyspark Dataframe