Question

我看到了这样的几个问题，但对我的情况却不是令人满意的答案。这是一个示例DataFrame：

+------+-----+----+
|    id|value|type|
+------+-----+----+
|283924|  1.5|   0|
|283924|  1.5|   1|
|982384|  3.0|   0|
|982384|  3.0|   1|
|892383|  2.0|   0|
|892383|  2.5|   1|
+------+-----+----+

我只想通过"id"和"value"列来识别重复项，然后删除所有实例。

在这种情况下：

行1和行2是重复的（同样，我们忽略了“类型”列）
第3行和第4行是重复的，因此仅应保留第5行和第6行：

输出为：

+------+-----+----+
|    id|value|type|
+------+-----+----+
|892383|  2.5|   1|
|892383|  2.0|   0|
+------+-----+----+

我尝试过

df.dropDuplicates(subset = ['id', 'value'], keep = False)

但是PySpark中没有“保持”功能（pandas.DataFrame.drop_duplicates中没有。

我还能怎么做？

Answer 1

您可以使用窗口功能

from pyspark.sql import Window, functions as F
df.withColumn(
  'fg', 
  F.count("id").over(Window.partitionBy("id", "value"))
).where("fg = 1").drop("fg").show()

Answer 2

您可以groupBy，id和type来获取计数。然后使用join过滤掉DataFrame中计数不是1的行：

df.join(
    df.groupBy('id', 'value').count().where('count = 1').drop('count'), on=['id', 'value']
).show()
#+------+-----+----+
#|    id|value|type|
#+------+-----+----+
#|892383|  2.5|   1|
#|892383|  2.0|   0|
#+------+-----+----+

删除与某些行重复的所有行

2 个答案: