PySpark Dataframe根据其他列中的重复值识别一列上的不同值

Question

我有一个像这样的pyspark数据框:其中c1,c2,c3,c4,c5,c6是列

   +----------------------------+   
   |c1 | c2 | c3 | c4 | c5 | c6 |  
   |----------------------------|   
   | a |  x |  y |  z |  g |  h |    
   | b |  m |  f |  l |  n |  o |    
   | c |  x |  y |  z |  g |  h |    
   | d |  m |  f |  l |  n |  o |    
   | e |  x |  y |  z |  g |  i |   
   +----------------------------+

我想提取具有相同c2,c3,c4,c5值但不同c1值的行的c1值.例如,第1行,第3行和第5行具有相同的c2,c3,c4和c5值,但c1值不同.所以输出应该是a,c&e.
(更新) 类似地,第2行和第4行对于c2,c3,c4和c5具有相同的值但是具有不同的c1值.所以输出也应该包含b&d

我怎样才能获得这样的结果？我尝试过应用groupby,但我不明白如何获取c1的不同值.

更新:

输出应该是c1值的数据帧

# +-------+
# |c1_dups|
# +-------+
# |  a,c,e|
# |    b,e|
# +-------+   

我的方法:

m = data.groupBy('c2','c3','c4','c5)

但我不明白如何检索m中的值.我是pyspark数据帧的新手,因此非常困惑

Answer 1

这实际上非常简单,让我们先创建一些数据:

schema = ['c1','c2','c3','c4','c5','c6']

rdd = sc.parallelize(["a,x,y,z,g,h","b,x,y,z,l,h","c,x,y,z,g,h","d,x,f,y,g,i","e,x,y,z,g,i"]) \
        .map(lambda x : x.split(","))

df = sqlContext.createDataFrame(rdd,schema)
# +---+---+---+---+---+---+
# | c1| c2| c3| c4| c5| c6|
# +---+---+---+---+---+---+
# |  a|  x|  y|  z|  g|  h|
# |  b|  x|  y|  z|  l|  h|
# |  c|  x|  y|  z|  g|  h|
# |  d|  x|  f|  y|  g|  i|
# |  e|  x|  y|  z|  g|  i|
# +---+---+---+---+---+---+

现在是有趣的部分,你只需要导入一些函数,分组并爆炸如下:

from pyspark.sql.functions import *

dupes = df.groupBy('c2','c3','c4','c5') \ 
          .agg(collect_list('c1').alias("c1s"),count('c1').alias("count")) \ # we collect as list and count at the same time
          .filter(col('count') > 1) # we filter dupes

df2 = dupes.select(explode("c1s").alias("c1_dups"))

df2.show()
# +-------+
# |c1_dups|
# +-------+
# |      a|
# |      c|
# |      e|
# +-------+

我希望这回答了你的问题.