如何在保留最新数据的同时从火花数据框中删除重复项？

Question

我正在使用 spark 从 Amazon S3 加载 json 文件。我想根据保留最新的数据框的两列删除重复项（我有时间戳列）。最好的方法是什么？请注意，重复项可能分布在多个分区中。我可以在不改组的情况下删除保留最后一条记录的重复项吗？我正在处理 1 TB 的数据。

我正在考虑按这两个列对数据框进行分区，这样所有重复记录都将“一致地散列”到同一分区中，因此分区级别排序后删除重复项将消除所有重复项，只保留一个。我不知道是否有可能。任何信息表示赞赏。

Answer 1

使用row_number()窗口函数可能更容易完成您的任务，下面c1是时间戳列，c2，c3是用于分区数据的列：

from pyspark.sql import Window, functions as F

# create a win spec which is partitioned by c2, c3 and ordered by c1 in descending order
win = Window.partitionBy('c2', 'c3').orderBy(F.col('c1').desc())

# set rn with F.row_number() and filter the result by rn == 1
df_new = df.withColumn('rn', F.row_number().over(win)).where('rn = 1').drop('rn')
df_new.show()

编辑：

如果您只需要重复项并删除唯一行，则添加另一个字段：

from pyspark.sql import Window, functions as F

# create a win spec which is partitioned by c2, c3 and ordered by c1 in descending order
win = Window.partitionBy('c2', 'c3').orderBy(F.col('c1').desc())

# window to cover all rows in the same partition
win2 = Window.partitionBy('c2', 'c3') \
             .rangeBetween(Window.unboundedPreceding, Window.unboundedFollowing)

# set new columns: rn, cnt and filter the result by rn == 1 and cnt > 1
df_new = df.withColumn('rn', F.row_number().over(win)) \
           .withColumn('cnt', F.count('c1').over(win2)) \
           .where('rn = 1 and cnt > 1') \
           .drop('rn', 'cnt')
df_new.show()