Pandas Pyspark-从数据帧中删除重复项，保持最后的外观

我正在尝试重复spark数据帧，只留下最新的外观。 重复存在于三个变量中：

NAME
ID
DOB

我在以下方面取得了成功：

df_dedupe = df.drop_duplicates(subset=['NAME','ID','DOB'], keep='last', inplace=False)

df_dedupe = df.dropDuplicates(['NAME', 'ID', 'DOB'], keep='last')

但在spark中，我尝试了以下方法：

df_dedupe = df.drop_duplicates(subset=['NAME','ID','DOB'], keep='last', inplace=False)

df_dedupe = df.dropDuplicates(['NAME', 'ID', 'DOB'], keep='last')

我得到这个错误：

TypeError: dropDuplicates() got an unexpected keyword argument 'keep'

有什么想法吗？

正如您在函数

dropDuplicates（subset=None）

的文档中所看到的，它只允许子集作为参数。如果他们都是平等的，你为什么要保留最后一个呢

编辑

正如@W-B所指出的，您需要其他列。我的解决方案是按相反顺序对原始数据帧进行排序，并在三个重复列上使用

df_dedupe

进行内部联接，只保留最后的值

df_dedupe.join(original_df,['NAME','ID','DOB'],'inner')

谢谢你的帮助。 我遵循了你的指示，但结果并不像预期的那样：

d1 = [('Bob', '10', '1542189668', '0', '0'),  ('Alice', '10', '1425298030', '154', '39'), ('Bob', '10', '1542189668', '178', '42')]
df1 = spark.createDataFrame(d1, ['NAME', 'ID', 'DOB' , 'Height' , 'ShoeSize'])
df_dedupe = df1.dropDuplicates(['NAME', 'ID', 'DOB'])
df_reverse = df1.sort((["NAME", "ID", "DOB"]), ascending= False)
df_dedupe.join(df_reverse,['NAME','ID','DOB'],'inner')
df_dedupe.show(100, False)

结果是：

+-----+---+----------+------+--------+    
|NAME |ID |DOB       |Height|ShoeSize|
+-----+---+----------+------+--------+
|Bob  |10 |1542189668|0     |0       |
|Alice|10 |1425298030|154   |39      |
+-----+---+----------+------+--------+

显示带有损坏数据的“Bob”

最后，我改变了方法，将DF转换为Pandas，然后再转换回spark：

p_schema = StructType([StructField('NAME',StringType(),True),StructField('ID',StringType(),True),StructField('DOB',StringType(),True),StructField('Height',StringType(),True),StructField('ShoeSize',StringType(),True)])
d1 = [('Bob', '10', '1542189668', '0', '0'),  ('Alice', '10', '1425298030', '154', '39'), ('Bob', '10', '1542189668', '178', '42')]
df = spark.createDataFrame(d1, p_schema)
pdf = df.toPandas()
df_dedupe = pdf.drop_duplicates(subset=['NAME','ID','DOB'], keep='last', inplace=False)

df_spark = spark.createDataFrame(df_dedupe, p_schema)
df_spark.show(100, False)

这最终带来了正确的“鲍勃”：

当然，我仍然希望有一个纯粹的Spark解决方案，但缺少索引似乎是Spark的问题

---

谢谢

基于[document][1]

dropDuplicates

在

pyspark

中没有para

keep

，因为还有其他列，他需要它们的最后一个值。我非常感谢您的代码，这对我帮助很大！我做了一个函数来做添加或更新的确切方式，你正在做它，它的工作！如果有人想让我分享，请尽管问