时间戳

首页 > 解决方案 > Pyspark drop_duplicates（保持=假）

python - Pyspark drop_duplicates（保持=假）

问题描述

我需要 Pandas 的Pyspark解决方案drop_duplicates(keep=False)。不幸的是，该keep=False选项在 pyspark 中不可用...

熊猫示例：

import pandas as pd

df_data = {'A': ['foo', 'foo', 'bar'], 
         'B': [3, 3, 5],
         'C': ['one', 'two', 'three']}
df = pd.DataFrame(data=df_data)
df = df.drop_duplicates(subset=['A', 'B'], keep=False)
print(df)

预期输出：

     A  B       C
2  bar  5  three

转换.to_pandas()并返回 pyspark 不是一种选择。

谢谢！

标签： pythonpandaspysparkduplicates

解决方案

使用窗口函数计算每个组合的行数A / B，然后过滤结果以仅保留唯一的行：

import pyspark.sql.functions as f

df.selectExpr(
  '*', 
  'count(*) over (partition by A, B) as cnt'
).filter(f.col('cnt') == 1).drop('cnt').show()

+---+---+-----+
|  A|  B|    C|
+---+---+-----+
|bar|  5|three|
+---+---+-----+

或使用其他选项pandas_udf：

from pyspark.sql.functions import pandas_udf, PandasUDFType

# keep_unique returns the data frame if it has only one row, otherwise 
# drop the group
@pandas_udf(df.schema, PandasUDFType.GROUPED_MAP)
def keep_unique(df):
    return df.iloc[:0] if len(df) > 1 else df

df.groupBy('A', 'B').apply(keep_unique).show()
+---+---+-----+
|  A|  B|    C|
+---+---+-----+
|bar|  5|three|
+---+---+-----+

推荐阅读