如何在pyspark datafarme中查找重复列值
我试图从pyspark中的dataframe中找到重复的列值 例如,我有一个数据框,其中有一列“a”,其值如下:如何在pyspark datafarme中查找重复列值,pyspark,duplicates,find,Pyspark,Duplicates,Find,我试图从pyspark中的dataframe中找到重复的列值 例如,我有一个数据框,其中有一列“a”,其值如下: == A == 1 1 2 3 4 5 5 我希望输出如下(我只需要重复的值) 你能试试这个,看看是否有用吗 df = sqlContext.createDataFrame([(1,),(1,),(2,),(3,),(4,),(5,),(5,)],('A',)) df.createOrReplaceTempView(df_tbl) spark.sql("select A, coun
==
A
==
1
1
2
3
4
5
5
我希望输出如下(我只需要重复的值)
你能试试这个,看看是否有用吗
df = sqlContext.createDataFrame([(1,),(1,),(2,),(3,),(4,),(5,),(5,)],('A',))
df.createOrReplaceTempView(df_tbl)
spark.sql("select A, count(*) as COUNT from df_tbl group by a having COUNT > 1").show()
+---+-----+
| A|COUNT|
+---+-----+
| 5|2 |
| 1|2 |
+---+-----+
答案与@Yuva相同,但使用内置函数:
df=sqlContext.createDataFrame([(1,),(1,),(2,),(3,),(4,),(5,),(5,),('A',))
df.groupBy(“A”).count()。其中(“count>1”).drop(“count”).show()
+---+
|A|
+---+
| 5|
| 1|
+---+
df = sqlContext.createDataFrame([(1,),(1,),(2,),(3,),(4,),(5,),(5,)],('A',))
df.createOrReplaceTempView(df_tbl)
spark.sql("select A, count(*) as COUNT from df_tbl group by a having COUNT > 1").show()
+---+-----+
| A|COUNT|
+---+-----+
| 5|2 |
| 1|2 |
+---+-----+