Python 筛选不带值的Pyspark数据帧列
我正在尝试筛选一个行值为Python 筛选不带值的Pyspark数据帧列,python,apache-spark,dataframe,pyspark,apache-spark-sql,Python,Apache Spark,Dataframe,Pyspark,Apache Spark Sql,我正在尝试筛选一个行值为None的PySpark数据帧: df.select('dt_mvmt').distinct().collect() [Row(dt_mvmt=u'2016-03-27'), Row(dt_mvmt=u'2016-03-28'), Row(dt_mvmt=u'2016-03-29'), Row(dt_mvmt=None), Row(dt_mvmt=u'2016-03-30'), Row(dt_mvmt=u'2016-03-31')] 我可以使用字符串值进行正
None
的PySpark数据帧:
df.select('dt_mvmt').distinct().collect()
[Row(dt_mvmt=u'2016-03-27'),
Row(dt_mvmt=u'2016-03-28'),
Row(dt_mvmt=u'2016-03-29'),
Row(dt_mvmt=None),
Row(dt_mvmt=u'2016-03-30'),
Row(dt_mvmt=u'2016-03-31')]
我可以使用字符串值进行正确筛选:
df[df.dt_mvmt == '2016-03-31']
# some results here
但这失败了:
df[df.dt_mvmt == None].count()
0
df[df.dt_mvmt != None].count()
0
但每个类别都有明确的价值。发生了什么事?您可以使用
Column.isNull
/Column.isNotNull
:
df.where(col("dt_mvmt").isNull())
df.where(col("dt_mvmt").isNotNull())
如果只想删除NULL
值,可以使用na.drop
和subset
参数:
df.na.drop(subset=["dt_mvmt"])
与NULL
进行基于等式的比较将不起作用,因为在SQL中NULL
是未定义的,因此任何将其与另一个值进行比较的尝试都会返回NULL
:
sqlContext.sql("SELECT NULL = NULL").show()
## +-------------+
## |(NULL = NULL)|
## +-------------+
## | null|
## +-------------+
sqlContext.sql("SELECT NULL != NULL").show()
## +-------------------+
## |(NOT (NULL = NULL))|
## +-------------------+
## | null|
## +-------------------+
将值与NULL
进行比较的唯一有效方法是is
/is NOT
,该方法等同于isNull
/isNotNull
方法调用 尽量只使用函数
df.filter(df.dt_mvmt.isNotNull()).count()
要获取
dt_mvmt
列中的值不为空的条目,我们需要
df.filter("dt_mvmt is not NULL")
df.filter("dt_mvmt is NULL")
对于空的条目,我们有
df.filter("dt_mvmt is not NULL")
df.filter("dt_mvmt is NULL")
PySpark根据算术、逻辑和其他条件提供各种过滤选项。空值的存在可能会妨碍进一步的处理。删除它们或从统计上归罪它们可能是一种选择 可以考虑以下代码集:
# Dataset is df
# Column name is dt_mvmt
# Before filtering make sure you have the right count of the dataset
df.count() # Some number
# Filter here
df = df.filter(df.dt_mvmt.isNotNull())
# Check the count to ensure there are NULL values present (This is important when dealing with large dataset)
df.count() # Count should be reduced if NULL values are present
若要筛选出列中无值的记录,请参见以下示例:
df=spark.createDataFrame([[123,"abc"],[234,"fre"],[345,None]],["a","b"])
现在过滤掉空值记录:
df=df.filter(df.b.isNotNull())
df.show()
如果要从DF中删除这些记录,请参见以下内容:
df1=df.na.drop(subset=['b'])
df1.show()
如果列=无
COLUMN_OLD_VALUE
----------------
None
1
None
100
20
------------------
使用
在数据框上创建一个诱人的:
sqlContext.sql("select * from tempTable where column_old_value='None' ").show()
因此,如果您想继续使用Pandas syntex,请使用:
column\u old\u value='None'
,这对我很有用
df = df[df.dt_mvmt.isNotNull()]
有多种方法可以从DataFrame中的列中删除/筛选空值 让我们使用以下代码创建一个简单的数据帧:
date = ['2016-03-27','2016-03-28','2016-03-29', None, '2016-03-30','2016-03-31']
df = spark.createDataFrame(date, StringType())
现在,您可以尝试以下方法之一过滤掉空值
# Approach - 1
df.filter("value is not null").show()
# Approach - 2
df.filter(col("value").isNotNull()).show()
# Approach - 3
df.filter(df["value"].isNotNull()).show()
# Approach - 4
df.filter(df.value.isNotNull()).show()
# Approach - 5
df.na.drop(subset=["value"]).show()
# Approach - 6
df.dropna(subset=["value"]).show()
# Note: You can also use where function instead of a filter.
您还可以查看my上的“使用空值”部分以了解更多信息
我希望它能有所帮助。None/Null是pyspark/python中NoneType类的数据类型 所以,当您试图将非类型对象与字符串对象进行比较时,下面的操作将不起作用 错误的过滤方式 df[df.dt_mvmt==None].count() 0 df[df.dt_mvmt!=None].count() 0 对的 df=df.where(col(“dt_mvmt”).isNotNull()) 返回dt_mvmt为None/Null的所有记录isNull()/isNotNull()将返回dt_mvmt为Null或!空
method_1 = df.filter(df['dt_mvmt'].isNotNull()).count()
method_2 = df.filter(df.dt_mvmt.isNotNull()).count()
两者都将返回相同的结果太棒了,谢谢。我原以为PySpark数据帧上的这些过滤器会更“pythonic”,但遗憾的是,它们不是。我正在考虑向开发人员询问这件事。事实上,这很像蟒蛇。您不应在无的情况下选中
\uuuuuueq\uuuuu
)而is
将不起作用,因为它的行为方式不同。奇怪的是,这只适用于字符串列。。。这看起来像是df.filter(“dt_mvmt不是NULL”)
处理这两个问题。实际上,您希望筛选具有NULL值的行,而不是没有值的列。标题可能有误导性。简而言之,包含null(在本例中为None)的比较总是返回false。特别是,比较(null==null)返回false。此外,比较(None==None)返回false。