为什么过滤器默认在Spark数据帧上删除空值？

Question

filter在包含null值的基本scala集合上，具有以下（且非常直观）的行为：

scala> List("a", "b", null).filter(_ != "a")
res0: List[String] = List(b, null)

但是，我很惊讶地发现以下过滤器删除了火花数据帧中的空值：

scala> val df = List(("a", null), ( "c", "d")).toDF("A", "B")
scala> df.show
+---+----+
|  A|   B|
+---+----+
|  a|null|
|  c|   d|
+---+----+
scala> df.filter('B =!= "d").show
+---+---+
|  A|  B|
+---+---+
+---+---+

如果要保留null值，我应该添加

df.filter('B =!= "d" || 'B.isNull).show
+---+----+
|  A|   B|
+---+----+
|  a|null|
+---+----+

就个人而言，我认为默认情况下删除空值非常容易出错。为什么选择这个？为何在api文档中未明确说明？我想念什么吗？

Answer 1

这是因为 SQL 的标准不是空安全的 - 所以 Spark SQL 遵循这一点（但不是 Scala）。

尽管 Spark 数据帧具有空安全的相等性

scala> df.filter($"B" <=> null).show
+---+----+
|  A|   B|
+---+----+
|  a|null|
+---+----+


scala> df.filter(not($"B" <=> "d")).show
+---+----+
|  A|   B|
+---+----+
|  a|null|
+---+----+

编辑中的注意事项：默认情况下不是空安全的要点是允许空作为测试结果。缺失值是否等于“c”？我们不知道。一个缺失值是否等于另一个缺失值？我们也不知道。但是在过滤器中，null 是假的。