Pyspark - 从数据框中删除重复项，保持最后一次出现

Posted 2023-03-31

【中文标题】Pyspark - 从数据框中删除重复项，保持最后一次出现

【英文标题】：Pyspark - remove duplicates from dataframe keeping the last appearance

【发布时间】：2018-11-13 16:00:16

【问题描述】：

我正在尝试对 spark 数据框进行重复数据删除，只保留最新的外观。 重复存在于三个变量中：

NAME
ID
DOB

我在 Pandas 中取得了成功：

df_dedupe = df.drop_duplicates(subset=['NAME','ID','DOB'], keep='last', inplace=False)

但在 spark 中我尝试了以下方法：

df_dedupe = df.dropDuplicates(['NAME', 'ID', 'DOB'], keep='last')

我收到此错误：

TypeError: dropDuplicates() got an unexpected keyword argument 'keep'

有什么想法吗？

【问题讨论】：

quynhcodes.wordpress.com/2016/07/29/…

基于[文档][1] dropDuplicates 在pyspark 中没有对keep

【参考方案1】：

感谢您的帮助。 我遵循了您的指示，但结果并不如预期：

d1 = [('Bob', '10', '1542189668', '0', '0'),  ('Alice', '10', '1425298030', '154', '39'), ('Bob', '10', '1542189668', '178', '42')]
df1 = spark.createDataFrame(d1, ['NAME', 'ID', 'DOB' , 'Height' , 'ShoeSize'])
df_dedupe = df1.dropDuplicates(['NAME', 'ID', 'DOB'])
df_reverse = df1.sort((["NAME", "ID", "DOB"]), ascending= False)
df_dedupe.join(df_reverse,['NAME','ID','DOB'],'inner')
df_dedupe.show(100, False)

结果是：

+-----+---+----------+------+--------+    
|NAME |ID |DOB       |Height|ShoeSize|
+-----+---+----------+------+--------+
|Bob  |10 |1542189668|0     |0       |
|Alice|10 |1425298030|154   |39      |
+-----+---+----------+------+--------+

显示数据损坏的“Bob”。

最后，我改变了方法，将 DF 转换为 Pandas，然后再转换回 spark：

p_schema = StructType([StructField('NAME',StringType(),True),StructField('ID',StringType(),True),StructField('DOB',StringType(),True),StructField('Height',StringType(),True),StructField('ShoeSize',StringType(),True)])
d1 = [('Bob', '10', '1542189668', '0', '0'),  ('Alice', '10', '1425298030', '154', '39'), ('Bob', '10', '1542189668', '178', '42')]
df = spark.createDataFrame(d1, p_schema)
pdf = df.toPandas()
df_dedupe = pdf.drop_duplicates(subset=['NAME','ID','DOB'], keep='last', inplace=False)

df_spark = spark.createDataFrame(df_dedupe, p_schema)
df_spark.show(100, False)

这终于带来了正确的“鲍勃”：

+-----+---+----------+------+--------+
|NAME |ID |DOB       |Height|ShoeSize|
+-----+---+----------+------+--------+
|Alice|10 |1425298030|154   |39      |
|Bob  |10 |1542189668|178   |42      |
+-----+---+----------+------+--------+

当然，我仍然希望有一个纯 Spark 解决方案，但缺少索引似乎是 Spark 的问题。

谢谢！

【讨论】：

非常感谢您的代码，它对我帮助很大！我做了一个函数来按照你正在做的确切方式执行 AddOrUpdate，它有效！如果有人想让我分享它，请不要犹豫

【参考方案2】：

正如您在http://spark.apache.org/docs/2.1.0/api/python/pyspark.sql.html 函数dropDuplicates(subset=None) 的文档中所见，它只允许子集 作为参数。如果它们都相等，为什么要保留最后一个？

编辑

正如@W-B 所指出的，你想要其他列。我的解决方案是将原始数据帧以相反的顺序排序，并在三个重复的列上使用df_dedupe 进行内部连接并仅保留最后一个值。

df_dedupe.join(original_df,['NAME','ID','DOB'],'inner')

【讨论】：

因为还有其他列，他需要它们的最后一个值