it-swarm.com.ru

Удаление дубликатов из строк на основе определенных столбцов в RDD/Spark DataFrame

Допустим, у меня есть довольно большой набор данных в следующей форме:

data = sc.parallelize([('Foo',41,'US',3),
                       ('Foo',39,'UK',1),
                       ('Bar',57,'CA',2),
                       ('Bar',72,'CA',2),
                       ('Baz',22,'US',6),
                       ('Baz',36,'US',6)])

То, что я хотел бы сделать, это удалить дубликаты строк, основываясь только на значениях первого, третьего и четвертого столбцов. 

Удалить полностью повторяющиеся строки просто:

data = data.distinct()

и строка 5 или строка 6 будут удалены

Но как удалить только повторяющиеся строки, основываясь только на столбцах 1, 3 и 4? то есть удалите один из них:

('Baz',22,'US',6)
('Baz',36,'US',6)

В Python это можно сделать, указав столбцы с помощью .drop_duplicates(). Как я могу добиться того же в Spark/Pyspark? 

36
Jason

Pyspark действительно включает метод dropDuplicates(). https://spark.Apache.org/docs/latest/api/python/pyspark.sql.html#pyspark.sql.DataFrame.dropDuplicates

>>> from pyspark.sql import Row
>>> df = sc.parallelize([ \
...     Row(name='Alice', age=5, height=80), \
...     Row(name='Alice', age=5, height=80), \
...     Row(name='Alice', age=10, height=80)]).toDF()
>>> df.dropDuplicates().show()
+---+------+-----+
|age|height| name|
+---+------+-----+
|  5|    80|Alice|
| 10|    80|Alice|
+---+------+-----+

>>> df.dropDuplicates(['name', 'height']).show()
+---+------+-----+
|age|height| name|
+---+------+-----+
|  5|    80|Alice|
+---+------+-----+

Может быть, он был представлен в более поздней версии, чем то, что использовал @Jason (OP)?

Правка: да, это было введено в 1.4

42
vaer-k

Из вашего вопроса неясно, какие столбцы вы хотите использовать для определения дубликатов. Общая идея решения заключается в создании ключа на основе значений столбцов, которые идентифицируют дубликаты. Затем вы можете использовать reduByKey или Reduction для устранения дубликатов.

Вот некоторый код для начала работы:

def get_key(x):
    return "{0}{1}{2}".format(x[0],x[2],x[3])

m = data.map(lambda x: (get_key(x),x))

Теперь у вас есть ключ-значение RDD, которое обозначено столбцами 1,3 и 4. Следующим шагом будет либо reduceByKey, либо groupByKey и filter. Это позволит устранить дубликаты.

r = m.reduceByKey(lambda x,y: (x))
22
Mike

Согласитесь с Дэвидом. Чтобы добавить, это может не это тот случай, когда мы хотим groupBy все столбцы, кроме столбца (ов) в статистической функции, т. Е. Если мы хотим удалить дубликаты исключительно на основе подмножества столбцов и сохранить все столбцы в исходном кадре данных. Так что лучшим способом сделать это может быть использование dropDuplicates API Dataframe, доступного в Spark 1.4.0

Для справки см .: https://spark.Apache.org/docs/1.4.0/api/scala/index.html#org.Apache.spark.sql.DataFrame

11
technotring

Я знаю, что вы уже приняли другой ответ, но если вы хотите сделать это как DataFrame, просто используйте groupBy и agg. Если вы уже создали DF (со столбцами с именами «col1», «col2» и т.д.), Вы можете сделать следующее:

myDF.groupBy($"col1", $"col3", $"col4").agg($"col1", max($"col2"), $"col3", $"col4")

Обратите внимание, что в этом случае я выбрал Max of col2, но вы можете сделать avg, min и т.д.

10
David Griffin

Я использовал встроенную функцию dropDuplicates (). Скала код, указанный ниже

val data = sc.parallelize(List(("Foo",41,"US",3),
("Foo",39,"UK",1),
("Bar",57,"CA",2),
("Bar",72,"CA",2),
("Baz",22,"US",6),
("Baz",36,"US",6))).toDF("x","y","z","count")

data.dropDuplicates(Array("x","count")).show()

Результат :

+---+---+---+-----+
|  x|  y|  z|count|
+---+---+---+-----+
|Baz| 22| US|    6|
|Foo| 39| UK|    1|
|Foo| 41| US|    3|
|Bar| 57| CA|    2|
+---+---+---+-----+
9
Aravind Krishnakumar

Приведенная ниже программа поможет вам удалить дубликаты в целом, или, если вы хотите удалить дубликаты на основе определенных столбцов, вы даже можете сделать это:

import org.Apache.spark.sql.SparkSession

object DropDuplicates {
def main(args: Array[String]) {
val spark =
  SparkSession.builder()
    .appName("DataFrame-DropDuplicates")
    .master("local[4]")
    .getOrCreate()

import spark.implicits._

// create an RDD of tuples with some data
val custs = Seq(
  (1, "Widget Co", 120000.00, 0.00, "AZ"),
  (2, "Acme Widgets", 410500.00, 500.00, "CA"),
  (3, "Widgetry", 410500.00, 200.00, "CA"),
  (4, "Widgets R Us", 410500.00, 0.0, "CA"),
  (3, "Widgetry", 410500.00, 200.00, "CA"),
  (5, "Ye Olde Widgete", 500.00, 0.0, "MA"),
  (6, "Widget Co", 12000.00, 10.00, "AZ")
)
val customerRows = spark.sparkContext.parallelize(custs, 4)

// convert RDD of tuples to DataFrame by supplying column names
val customerDF = customerRows.toDF("id", "name", "sales", "discount", "state")

println("*** Here's the whole DataFrame with duplicates")

customerDF.printSchema()

customerDF.show()

// drop fully identical rows
val withoutDuplicates = customerDF.dropDuplicates()

println("*** Now without duplicates")

withoutDuplicates.show()

// drop fully identical rows
val withoutPartials = customerDF.dropDuplicates(Seq("name", "state"))

println("*** Now without partial duplicates too")

withoutPartials.show()

 }
 }
0
Sampat Kumar