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

从 Spark 中的 DataFrame 中过滤和选择数据

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

我在 s3 中有 .dat 文件。我需要通过 spark 读取文件并做一些过滤器并再次加载到 S3

Spark Hive:通过另一个 DataFrame 的列的值过滤一个 DataFrame 的行