PySpark中的比较运算符(不等于/ !=)

Question

我试图获得数据帧中的所有行，其中两个标志设置为'1'，随后所有那些只有两个中的一个设置为'1'而另一个NOT EQUAL为'1'

使用以下模式(三列)，

df = sqlContext.createDataFrame([('a',1,'null'),('b',1,1),('c',1,'null'),('d','null',1),('e',1,1)], #,('f',1,'NaN'),('g','bla',1)],
                            schema=('id', 'foo', 'bar')
                            )

我得到以下数据帧:

+---+----+----+
| id| foo| bar|
+---+----+----+
|  a|   1|null|
|  b|   1|   1|
|  c|   1|null|
|  d|null|   1|
|  e|   1|   1|
+---+----+----+

当我应用所需的过滤器时，第一个过滤器(foo=1 AND bar=1)有效，但另一个过滤器(foo=1 AND not bar=1)无效

foobar_df = df.filter( (df.foo==1) & (df.bar==1) )

收益率:

+---+---+---+
| id|foo|bar|
+---+---+---+
|  b|  1|  1|
|  e|  1|  1|
+---+---+---+

这是不正常的过滤器:

foo_df = df.filter( (df.foo==1) & (df.bar!=1) )
foo_df.show()
+---+---+---+
| id|foo|bar|
+---+---+---+
+---+---+---+

为什么不过滤?我怎样才能得到只有foo等于1的列呢?

Answer 1

为什么不过滤

因为它是SQL, NULL表示缺失值。因此，除IS NULL和IS NOT NULL外，任何与NULL的比较都是不确定的。您需要:

col("bar").isNull() | (col("bar") != 1)

或

coalesce(col("bar") != 1, lit(True))

or (PySpark>= 2.3):

col("bar").eqNullSafe(1)

如果你想在PySpark中null安全比较。

'null'也不是引入NULL文字的有效方式。您应该使用None来指示丢失的对象。

from pyspark.sql.functions import col, coalesce, lit
df = spark.createDataFrame([
    ('a', 1, 1), ('a',1, None), ('b', 1, 1),
    ('c' ,1, None), ('d', None, 1),('e', 1, 1)
]).toDF('id', 'foo', 'bar')
df.where((col("foo") == 1) & (col("bar").isNull() | (col("bar") != 1))).show()
## +---+---+----+
## | id|foo| bar|
## +---+---+----+
## |  a|  1|null|
## |  c|  1|null|
## +---+---+----+
df.where((col("foo") == 1) & coalesce(col("bar") != 1, lit(True))).show()
## +---+---+----+
## | id|foo| bar|
## +---+---+----+
## |  a|  1|null|
## |  c|  1|null|
## +---+---+----+

Answer 2

要过滤空值，请尝试:

foo_df = df.filter( (df.foo==1) & (df.bar.isNull()) )

https://spark.apache.org/docs/1.6.2/api/python/pyspark.sql.html pyspark.sql.Column.isNull