Apache spark 为什么dropna（）不起作用？

系统：Cloudera Quickstart VM 5.4上的Spark 1.3.0（Anaconda Python dist.）

以下是Spark数据框：

from pyspark.sql import SQLContext
from pyspark.sql.types import *
sqlContext = SQLContext(sc)

data = sc.parallelize([('Foo',41,'US',3),
                       ('Foo',39,'UK',1),
                       ('Bar',57,'CA',2),
                       ('Bar',72,'CA',3),
                       ('Baz',22,'US',6),
                       (None,75,None,7)])

schema = StructType([StructField('Name', StringType(), True),
                     StructField('Age', IntegerType(), True),
                     StructField('Country', StringType(), True),
                     StructField('Score', IntegerType(), True)])

df = sqlContext.createDataFrame(data,schema)

data.show（）

然而，这两种方法都不管用

df.dropna()
df.na.drop()

我得到这个信息：

>>> df.show()
Name Age Country Score
Foo  41  US      3    
Foo  39  UK      1    
Bar  57  CA      2    
Bar  72  CA      3    
Baz  22  US      6    
null 75  null    7    
>>> df.dropna().show()
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
  File "/usr/lib/spark/python/pyspark/sql/dataframe.py", line 580, in __getattr__
    jc = self._jdf.apply(name)
  File "/usr/lib/spark/python/lib/py4j-0.8.2.1-src.zip/py4j/java_gateway.py", line 538, in __call__
  File "/usr/lib/spark/python/lib/py4j-0.8.2.1-src.zip/py4j/protocol.py", line 300, in get_return_value
py4j.protocol.Py4JJavaError: An error occurred while calling o50.apply.
: org.apache.spark.sql.AnalysisException: Cannot resolve column name "dropna" among (Name, Age, Country, Score);
    at org.apache.spark.sql.DataFrame$$anonfun$resolve$1.apply(DataFrame.scala:162)
    at org.apache.spark.sql.DataFrame$$anonfun$resolve$1.apply(DataFrame.scala:162)
    at scala.Option.getOrElse(Option.scala:120)
    at org.apache.spark.sql.DataFrame.resolve(DataFrame.scala:161)
    at org.apache.spark.sql.DataFrame.col(DataFrame.scala:436)
    at org.apache.spark.sql.DataFrame.apply(DataFrame.scala:426)
    at sun.reflect.NativeMethodAccessorImpl.invoke0(Native Method)
    at sun.reflect.NativeMethodAccessorImpl.invoke(NativeMethodAccessorImpl.java:57)
    at sun.reflect.DelegatingMethodAccessorImpl.invoke(DelegatingMethodAccessorImpl.java:43)
    at java.lang.reflect.Method.invoke(Method.java:606)
    at py4j.reflection.MethodInvoker.invoke(MethodInvoker.java:231)
    at py4j.reflection.ReflectionEngine.invoke(ReflectionEngine.java:379)
    at py4j.Gateway.invoke(Gateway.java:259)
    at py4j.commands.AbstractCommand.invokeMethod(AbstractCommand.java:133)
    at py4j.commands.CallCommand.execute(CallCommand.java:79)
    at py4j.GatewayConnection.run(GatewayConnection.java:207)
    at java.lang.Thread.run(Thread.java:745)

df.show（） 姓名年龄国家分数 富41美3 富39英国1 酒吧57 CA 2 Bar 72 CA 3 巴兹22美6 零75零7 >>>df.dropna（）.show（） 回溯（最近一次呼叫最后一次）： 文件“”，第1行，在 文件“/usr/lib/spark/python/pyspark/sql/dataframe.py”，第580行，在__ jc=self.\u jdf.apply（名称） 文件“/usr/lib/spark/python/lib/py4j-0.8.2.1-src.zip/py4j/java_gateway.py”，第538行，在调用中__ 文件“/usr/lib/spark/python/lib/py4j-0.8.2.1-src.zip/py4j/protocol.py”，第300行，在get_return_值中 py4j.protocol.Py4JJavaError:调用o50.apply时出错。 ：org.apache.spark.sql.AnalysisException:无法解析（姓名、年龄、国家/地区、分数）中的列名“dropna”； 位于org.apache.spark.sql.DataFrame$$anonfun$resolve$1.apply（DataFrame.scala:162） 位于org.apache.spark.sql.DataFrame$$anonfun$resolve$1.apply（DataFrame.scala:162） 在scala.Option.getOrElse（Option.scala:120） 位于org.apache.spark.sql.DataFrame.resolve（DataFrame.scala:161） 位于org.apache.spark.sql.DataFrame.col（DataFrame.scala:436） 位于org.apache.spark.sql.DataFrame.apply（DataFrame.scala:426） 在sun.reflect.NativeMethodAccessorImpl.invoke0（本机方法）处 在sun.reflect.NativeMethodAccessorImpl.invoke（NativeMethodAccessorImpl.java:57）中 在sun.reflect.DelegatingMethodAccessorImpl.invoke（DelegatingMethodAccessorImpl.java:43）中 位于java.lang.reflect.Method.invoke（Method.java:606） 位于py4j.reflection.MethodInvoker.invoke（MethodInvoker.java:231） 位于py4j.reflection.ReflectionEngine.invoke（ReflectionEngine.java:379） 在py4j.Gateway.invoke处（Gateway.java:259） 位于py4j.commands.AbstractCommand.invokeMethod（AbstractCommand.java:133） 在py4j.commands.CallCommand.execute（CallCommand.java:79） 在py4j.GatewayConnection.run处（GatewayConnection.java:207） 运行（Thread.java:745）

---

还有其他人遇到过这个问题吗？解决办法是什么？Pyspark似乎是我在寻找一个名为“na”的专栏。任何帮助都将不胜感激

tl；dr方法

na

和

dropna

仅从Spark 1.3.1开始提供

你犯了几个错误：

data=sc.parallelize（[..（''，75'，，7）]

，您打算使用

''

表示

无

，但是，它只是一个字符串而不是null

na

和

dropna

都是数据帧类上的方法，因此，您应该使用

df

调用它

可运行代码：

data=sc.parallelize（[（'Foo'，41，'US'，3），
（'Foo'，39，'UK'，1），
（'Bar'，57，'CA'，2），
（'Bar'，72，'CA'，3），
（'Baz'，22，'US'，6），
（无，75，无，7）]）
schema=StructType（[StructField（'Name'，StringType（），True），
StructField（'Age'，IntegerType（），True），
StructField（'Country'，StringType（），True），
StructField（'Score'，IntegerType（），True）]）
df=sqlContext.createDataFrame（数据，模式）
df.dropna（）.show（）
df.na.drop（）.show（）

我意识到这个问题是一年前提出的，以防将解决方案留给Scala，下面是以防有人来到这里寻找相同的解决方案

val data = sc.parallelize(List(("Foo",41,"US",3), ("Foo",39,"UK",1),   
("Bar",57,"CA",2), ("Bar",72,"CA",3), ("Baz",22,"US",6), (None, 75,  
   None, 7)))
val schema = StructType(Array(StructField("Name", StringType, true),   
  StructField("Age", IntegerType, true), StructField("Country", 
  StringType, true), StructField("Score", IntegerType, true)))

val dat = data.map(d => Row(d._1, d._2, d._3, d._4))
val df = sqlContext.createDataFrame(dat, schema)
df.na.drop()

注: 上述解决方案仍然无法在Scala中给出正确的结果，不确定Scala和python绑定的实现有什么不同。如果丢失的数据表示为null，则na.drop有效。对于“”和None，它失败。另一种方法是使用withColumn函数来处理不同形式的缺失值

val data = sc.parallelize(List(("Foo",41,"US",3), ("Foo",39,"UK",1),   
("Bar",57,"CA",2), ("Bar",72,"CA",3), ("Baz",22,"US",6), (None, 75,  
   None, 7)))
val schema = StructType(Array(StructField("Name", StringType, true),   
  StructField("Age", IntegerType, true), StructField("Country", 
  StringType, true), StructField("Score", IntegerType, true)))

val dat = data.map(d => Row(d._1, d._2, d._3, d._4))
val df = sqlContext.createDataFrame(dat, schema)
df.na.drop()