快速删除空列的方法[PySpark]

有没有一种简单的方法可以在pyspark中删除大型数据集（300+col>100k行）的空列？例如Python中的

df.dropna（axis=1，how='all'）

是，您只需使用来自的答案即可。我在其中添加了一个

threshold

参数：

import pyspark.sql.functions as F

# Sample data
df = pd.DataFrame({'x1': ['a', '1', '2'],
                   'x2': ['b', None, '2'],
                   'x3': ['c', '0', '3'] })
df = sqlContext.createDataFrame(df)
df.show()

def drop_null_columns(df, threshold=0):
    """
    This function drops all columns which contain null values.
    :param df: A PySpark DataFrame
    """
    null_counts = df.select([F.count(F.when(F.col(c).isNull(), c)).alias(c) for c in df.columns]).collect()[0].asDict()
    to_drop = [k for k, v in null_counts.items() if v > threshold]
    df = df.drop(*to_drop)
    return df

# Drops column b2, because it contains null values
drop_null_columns(df).show()

输出 x2列已删除

---

您可以在使用时使用

threshold=df.count（）

to

如何更改函数以仅在所有条目均为null/nan/空字符串时删除列？@MachineLearner这里有一个链接供您使用：感谢您提供的链接。但是提供的解决方案去掉了第二列，该列不仅包含null，还包含其他值。仅当且仅当所有行均为null/nan/empty时，我才想删除该列。@MachineLearner让我为您这样做对不起，我的意思是当且仅当所有行均为null/nan/emtpy时。

+---+---+
| x1| x3|
+---+---+
|  a|  c|
|  1|  0|
|  2|  3|
+---+---+