从 PySpark 中的数据框中删除重复项

Question

我在本地处理 pyspark 1.4 中的数据帧，并且在使 dropDuplicates 方法起作用时遇到问题。它不断返回错误：

"AttributeError: 'list' object has no attribute 'dropDuplicates'"

不太清楚为什么我似乎遵循 latest documentation.

中的语法

#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

这不是导入问题。您只需在错误的对象上调用 .dropDuplicates()。虽然 sqlContext.createDataFrame(rdd1, ...) 的 class 是 pyspark.sql.dataframe.DataFrame，但在您应用 .collect() 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：

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

 df1.collect()

Answer 2

如果您有一个数据框并希望删除所有重复项——参考特定列中的重复项（称为 'colName'）：

去重前计数：

df.count()

进行重复数据删除（将要进行重复数据删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)

从 PySpark 中的数据框中删除重复项

Remove duplicates from a dataframe in PySpark

python

duplicates

apache-spark

pyspark

pyspark-dataframes