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|
+------+------+

我想查找 table 以查看特定行是否存在。例如，对于 A = 2、B = 5 的测试代码应为 return True，对于 A = 2、B = 10 的代码应为 return 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，并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个任务.

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，因为行查找速度更快
使用 .where() 或 .filter() 尽管根据我的尝试，我预计两者都不会快得多
使用 .count() 而不是 isEmpty()

Answer 1

最好从要查找的条目创建一个 spark 数据框，然后执行 semi join 或 anti join 来获取存在或不存在的行在查找数据框中。这应该比一个一个地检查条目更有效率。

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|
+---+---+------+

Answer 2

Spark 函数 ANY 提供了一种非常快速的方法来检查数据帧中是否存在记录。

check = df.selectExpr('ANY((A = 2) AND (B = 5)) as chk')

check.show()
#  +----+
#  | chk|
#  +----+
#  |true|
#  +----+

check = df.selectExpr('ANY((A = 2) AND (B = 10)) as chk')
check.show()
#  +-----+
#  |  chk|
#  +-----+
#  |false|
#  +-----+

如何快速检查 PySpark Dataframe 中是否存在行？

How to quickly check if row exists in PySpark Dataframe?

python

exists

apache-spark

apache-spark-sql

pyspark