python - Pyspark 同时从数据框中的 2 个列表中删除
问题描述
我在处理庞大的数据集时遇到问题,我正在寻找从 2 个列表中删除相同的索引项。
让我描述一个例子。
想象一下 Google 搜索 - 页面中包含 12 个 URL 的列表。第一个是广告,最后一个也是,第二个和第七个是图片链接。现在我只想要有机link
的。
类型可以在列表中随机定位。我正在检查array_remove
哪个非常好,但它只能从 1 个列表中删除特定项目,而且我还不够先进,无法弄清楚如何同时为 2 个列表执行此操作。可悲的是,数据集真的很大,恐怕这posexplode
对我来说不是一个选择。
请记住,它是一列列表,而不是一列单个项目。
我正在寻找类似的东西
if "adlink" or "picture" in typelist:
remove it from typelist and remove same indexed item from urls list
urls | type
-----------------
[url1, | [adlink,
url2, | picture,
url3, | link,
url4, | link,
url5, | link,
url6, | link,
url7, | picture,
url8, | link,
url9, | link,
url10, | link,
url11, | link,
url12] | adlink]
期望的输出:
urls | type
-----------------
[url3, | [link,
url4, | link,
url5, | link,
url6, | link,
url8, | link,
url9, | link,
url10, | link,
url11] | link]
解决方案
df.show()#your dataframe
+---------------------------------------------------------------------------+----------------------------------------------------------------------------------+
|urls |type |
+---------------------------------------------------------------------------+----------------------------------------------------------------------------------+
|[url1, url2, url3, url4, url5, url6, url7, url8, url9, url10, url11, url12]|[adlink, picture, link, link, link, link, picture, link, link, link, link, adlink]|
+---------------------------------------------------------------------------+----------------------------------------------------------------------------------+
您可以照常使用(我可以说是因为您使用过higher order functions
)。首先,您可以使用将数组压缩在一起,然后使用过滤掉任何位置,然后使用 . 从压缩列中选择所需的列。spark2.4
array_remove
arrays_zip
filter
zipped array(type_urls)
type is 'adlink' and 'picture'
columname.arrayname
Filter
(高阶函数),基本上允许您将过滤器应用于高阶数据,而不必分解它(正如您提到的那样 posexplode)。
高阶函数
arrays_zip
返回结构的合并数组,其中第 N 个结构包含输入数组的所有第 N 个值。
arrays_zip Pyspark API 文档
from pyspark.sql import functions as F
df.withColumn("type_urls", F.arrays_zip(F.col("urls"),F.col("type"))).select("type_urls")\
.withColumn("urls1", F.expr("""filter(type_urls, x-> x.type!='adlink' and x.type!='picture')"""))\
.select(F.col("urls1.urls"), F.col("urls1.type")).show(truncate=False)
+--------------------------------------------------+------------------------------------------------+
|urls |type |
+--------------------------------------------------+------------------------------------------------+
|[url3, url4, url5, url6, url8, url9, url10, url11]|[link, link, link, link, link, link, link, link]|
+--------------------------------------------------+------------------------------------------------+
推荐阅读
- android - 在 MPAndroidChart 折线图中,有兴趣在图顶部之外显示数据集值
- visual-studio - Visual Studio 模板不复制文件
- java - Java - Pcap4j 只检测主机设备的地址
- angular - 显示错误内容的选项卡
- python - 为什么 python asyncio loop.call_soon 会覆盖数据?
- css - 阻止 clean-css 在 { font-type: 'Crimson Text' } 中将 'Crimson' 更改为 #dc143c
- c# - 正文表达式是否比成员变量的简单返回更有效?
- python - 使用 numexpr 优化 numpy 中的数值运算
- c++ - 进程退出并返回值 3221225477 访问多维向量
- python - Python串行到Arduino