Sparklyr 中的缺失值

Question

我正在尝试计算 Sparklyr 中 DataFrame 中特定列的缺失值，如下所示

 count(filter(subdata, isNull(subdata$metric)))
Source:   query [1 x 1]
Database: spark connection master=local[4] app=sparklyr local=TRUE

       n
   <dbl>
1 216360``

但返回的结果是数据框中的总行数。我错过了什么吗？请指出。

Answer 1

看起来您混合了 SparkR（isNull）和 sparklyr（其余）API。据我所知，这是不受支持的，乍一看，您的代码实际上应该抛出异常。

df <- data.frame(x=c(1, NA), y=c(-1, 2))
copy_to(sc, df, "df", overwrite=TRUE) %>% filter(is.na(x)) %>% count()

Source:   query [1 x 1]
Database: spark connection ...
      n
  <dbl>
1     1

Answer 2

以下函数将使用 sparklyr 计算给定列的 NA 值的数量：

  count_na_values <- function(column) {
    # Count NA Values for a given column using sparklyr.
    #
    # Args:
    #   column: (char) name of column.
    na_count <- df %>%
      filter(is.na(rlang::sym(column))) %>%
      sdf_nrow()
    na_count
  }

注意 - df 应该是 class "tbl_spark" "tbl_sql" "tbl_lazy" "tbl"；例如

df <- tbl(sc, <table>)

Sparklyr 中的缺失值

Missing values in Sparklyr

r

missing-data

apache-spark

sparklyr