如何删除数据帧 Scala/sSark 中的前几行？

Question

我有一个 DataFrame，我想删除第一行和第二行。我应该怎么办？

这是我的输入：

+-----+
|value|
+-----+
|    1|
|    4|
|    3|
|    5|
|    4|
|   18|
-------

这是例外的结果：

+-----+
|value|
+-----+
|    3|
|    5|
|    4|
|   18|
-------

Answer 1

在我看来，如果您无法定义数据帧的顺序，那么谈论第一条或第二条记录是没有意义的。该语句结果的记录顺序show是“任意的”，并且取决于数据的分区。

假设您有一列可以对记录进行排序，则可以使用窗口函数。从这个数据框开始：

+----+-----+
|year|value|
+----+-----+
|2007|    1|
|2008|    4|
|2009|    3|
|2010|    5|
|2011|    4|
|2012|   18|
+----+-----+ 

你可以做

import org.apache.spark.sql.expressions.Window

df
.withColumn("rn",row_number().over(Window.orderBy($"year")))
.where($"rn">2).drop($"rn")
.show

Answer 2

简单易行的方法是为每一行分配一个id并对其进行过滤

val df = Seq(1,2,3,5,4,18).toDF("value")

df.withColumn("id", monotonically_increasing_id()).filter($"id" > 1).drop("id")

编辑：由于monotonically_increasing_id()不连续授予者您可以使用zipWithUniqueId如下

val rows = df.rdd.zipWithUniqueId().map {
  case (row, id) => Row.fromSeq(row.toSeq :+ id)
}

val df1 = spark.createDataFrame(rows, StructType(df.schema.fields :+ StructField("id", LongType, false)))

df1.filter($"id" > 1).drop("id")

输出：

+-----+
|value|
+-----+
|    3|
|    5|
|    4|
|   18|
+-----+

这也将帮助您删除数据框中的第 n 行。

希望这可以帮助！