从pysp中的数据帧中删除重复项

Question

我在pyspark 1.4中本地处理数据帧，在使用drop-duplicates方法时遇到问题。一直返回错误“attribute error:”list“object没有属性”dropDuplicates“。不太清楚为什么我似乎在遵循latest documentation中的语法。好像我缺少那个功能的导入。

#loading the CSV file into an RDD in order to start working with the data
rdd1 = sc.textFile("C:\myfilename.csv").map(lambda line: (line.split(",")[0], line.split(",")[1], line.split(",")[2], line.split(",")[3])).collect()

#loading the RDD object into a dataframe and assigning column names
df1 = sqlContext.createDataFrame(rdd1, ['column1', 'column2', 'column3', 'column4']).collect()

#dropping duplicates from the dataframe
df1.dropDuplicates().show()

Answer 1

这不是一个重要的问题。只需在错误的对象上调用.dropDuplicates()。虽然sqlContext.createDataFrame(rdd1, ...)的类是pyspark.sql.dataframe.DataFrame，但是在应用.collect()之后，它是一个普通的Python list，并且列表不提供dropDuplicates方法。你想要的是这样的东西：

 (df1 = sqlContext
     .createDataFrame(rdd1, ['column1', 'column2', 'column3', 'column4'])
     .dropDuplicates())

 df1.collect()

Answer 2

如果您有一个数据帧，并且希望删除所有重复项--引用特定列中的重复项（称为“colName”）：

重复数据消除前的计数：

df.count()

执行重复数据消除（将要进行重复数据消除的列转换为字符串类型）：

from pyspark.sql.functions import col
df = df.withColumn('colName',col('colName').cast('string'))

df.drop_duplicates(subset=['colName']).count()

可以使用已排序的groupby检查是否已删除重复项：

df.groupBy('colName').count().toPandas().set_index("count").sort_index(ascending=False)