从pyspark中的数据框中删除重复项

Question

我在本地pyspark 1.4中乱搞数据帧,并且在使用drop duplicates方法时遇到问题.继续返回错误"AttributeError:'list'对象没有属性'dropDuplicates'".不太清楚为什么我似乎遵循最新文档中的语法.好像我错过了该功能的导入或其他东西.

#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

这不是一个进口问题.你只需要.dropDuplicates()一个错误的对象.类的sqlContext.createDataFrame(rdd1, ...)是pyspark.sql.dataframe.DataFrame,在你应用.collect()它之后是一个普通的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 - 引用特定列中的重复项(称为"colName"):

在重复数据删除前计算

df.count()

进行重复数据删除(将要重复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()

可以使用已排序的组来检查是否已删除重复项:

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