如何处理SparkR中的空条目

Question

我有一个SparkSQL DataFrame.

此数据中的某些条目为空,但它们的行为不像NULL或NA.我怎么能删除它们？有任何想法吗？

在RI中可以很容易地删除它们,但在sparkR中它表示S4系统/方法存在问题.

谢谢.

Answer 1

SparkR Column提供了一长串有用的方法,包括isNull和isNotNull:

> people_local <- data.frame(Id=1:4, Age=c(21, 18, 30, NA))
> people <- createDataFrame(sqlContext, people_local)
> head(people)

  Id Age
1  1  21
2  2  18
3  3  NA

> filter(people, isNotNull(people$Age)) %>% head()
  Id Age
1  1  21
2  2  18
3  3  30

> filter(people, isNull(people$Age)) %>% head()
  Id Age
1  4  NA

请记住,有没有区别NA,并NaN在SparkR.

如果您更喜欢对整个数据帧进行操作,则有一组NA函数,包括fillna和dropna:

> fillna(people, 99) %>% head()
 Id Age
1  1  21
2  2  18
3  3  30
4  4  99

> dropna(people) %>% head()
 Id Age
1  1  21
2  2  18
3  3  30

两者都可以调整为仅考虑列的一些子集(cols),并且dropna具有一些额外的有用参数.例如,您可以指定最小数量的非空列:

> people_with_names_local <- data.frame(
    Id=1:4, Age=c(21, 18, 30, NA), Name=c("Alice", NA, "Bob", NA))
> people_with_names <- createDataFrame(sqlContext, people_with_names_local)
> people_with_names %>% head()
  Id Age  Name
1  1  21 Alice
2  2  18  <NA>
3  3  30   Bob
4  4  NA  <NA>

> dropna(people_with_names, minNonNulls=2) %>% head()
  Id Age  Name
1  1  21 Alice
2  2  18  <NA>
3  3  30   Bob