Spark Dataframe 中的过滤操作
Posted
技术标签:
【中文标题】Spark Dataframe 中的过滤操作【英文标题】:Filter operation in Spark Dataframe 【发布时间】:2018-07-25 02:04:51 【问题描述】:我有一个 Spark 数据框,我想根据特定列的匹配值从中选择几行/记录。 我想我可以在地图转换中使用过滤器操作或选择操作来做到这一点。
但是,我想针对那些在应用过滤器时未选择的行/记录更新状态列。
在应用过滤器操作时,我会返回一个包含匹配记录的新数据框。
那么,如何知道和更新未被选中的行的列值?
【问题讨论】:
【参考方案1】:在应用过滤器操作时,您将获得匹配记录的新数据框。
然后,您可以使用 Scala 中的 except 函数从输入数据帧中获取 Un-matching 记录。
scala> val inputDF = Seq(("a", 1),("b", 2), ("c", 3), ("d", 4), ("e", 5)).toDF("id", "count")
inputDF: org.apache.spark.sql.DataFrame = [id: string, count: int]
scala> val filterDF = inputDF.filter($"count" > 3)
filterDF: org.apache.spark.sql.Dataset[org.apache.spark.sql.Row] = [id: string, count: int]
scala> filterDF.show()
+---+-----+
| id|count|
+---+-----+
| d| 4|
| e| 5|
+---+-----+
scala> val unmatchDF = inputDF.except(filterDF)
unmatchDF: org.apache.spark.sql.Dataset[org.apache.spark.sql.Row] = [id: string, count: int]
scala> unmatchDF.show()
+---+-----+
| id|count|
+---+-----+
| b| 2|
| a| 1|
| c| 3|
+---+-----+
在 PySpark 中,您可以使用 subtract 函数实现相同的效果。
【讨论】:
以上是关于Spark Dataframe 中的过滤操作的主要内容,如果未能解决你的问题,请参考以下文章
如何从 Spark 2.0 中的 DataFrame 列创建数据集?
大数据Spark DataFrame/DataSet常用操作
大数据Spark DataFrame/DataSet常用操作