python - 如何快速检查 PySpark Dataframe 中是否存在行？

Question

我有一个像这样的 PySpark 数据框：

+------+------+
|     A|     B|
+------+------+
|     1|     2|
|     1|     3|
|     2|     3|
|     2|     5|
+------+------+

我想对表进行查找以查看是否存在特定行。例如，对于 的测试A = 2，B = 5代码应该返回True，对于A = 2，B = 10代码应该返回False。

我试过这个：

df[(df['A'] == 1) & (df['B'] == 2)].rdd.isEmpty()

不幸的是，这段代码需要很长时间才能执行，而且由于这是一个将执行多次的查找（对于 A 和 B 的不同值），我希望有一个更快的方法来完成这项任务。

我正在考虑的其他解决方案是：

• 将 PySpark 数据帧转换为 Pandas 数据帧，因为行查找更快
• 使用.where()或.filter()尽管从我尝试过的东西，我预计两者都不会快得多
• 使用.count()过isEmpty()

标签： pythonapache-sparkpysparkapache-spark-sql

Answer 1

最好从要查找的条目中创建一个 spark 数据框，然后执行 asemi join或 ananti join以获取查找数据框中存在或不存在的行。这应该比逐个检查条目更有效。

import pyspark.sql.functions as F

df = spark.createDataFrame([[2,5],[2,10]],['A','B'])

result1 = df.join(lookup, ['A','B'], 'semi').withColumn('exists', F.lit(True))

result2 = df.join(lookup, ['A','B'], 'anti').withColumn('exists', F.lit(False))

result = result1.unionAll(result2)

result.show()
+---+---+------+
|  A|  B|exists|
+---+---+------+
|  2|  5|  true|
|  2| 10| false|
+---+---+------+