检索数据帧中列的唯一组合的任意行

Question

我在数据帧中有以下数据

col1    col2    col3    col4
1       desc1    v1      v3
2       desc2    v4      v2
1       desc1    v4      v2
2       desc2    v1      v3

我只需要第一行的每一个唯一的组合col1，col2像下面的

Expected Output:
col1    col2    col3    col4
1       desc1    v1      v3
2       desc2    v4      v2

如何在pyspark（1.3.1版）中实现这一点？

我尝试并实现了同样的效果，将数据帧转换为rdd，然后应用map和reduceByKey函数，然后将结果rdd转换回数据帧。是否有其他方法可以使用数据帧函数执行上述操作？

Answer 1

如果你想要一个任意的行，你可以尝试使用first或last，但它远远不够漂亮，我会认真考虑升级Spark:

from pyspark.sql.functions import col, first
df = sc.parallelize([
  (1, "desc1", "v1", "v3"), (2, "desc2", "v4", "v2"),
  (1, "desc1", "v4", "v2"), (2, "desc2", "v1", "v3")
]).toDF(["col1", "col2", "col3", "col4"])
keys = ["col1", "col2"]
values = ["col3", "col4"]
agg_exprs = [first(c).alias(c) for c in keys + ["vs_"]]
select_exprs = keys + [
    "vs_.col{0} AS {1}".format(i + 1, v) for (i, v) in enumerate(values)]
df_not_so_first = (df
  .selectExpr("struct({}) AS vs_".format(",".join(values)), *keys)
  .groupBy(*keys)
  .agg(*agg_exprs)
  .selectExpr(*select_exprs))

请注意，在此特定上下文中，first不会选择任何特定的行，结果可能不具有确定性。此外，根据Spark版本的不同，可以单独安排各个聚合。这意味着

df.groupBy("col1", "col2").agg(first("col3"), first("col4"))

不能保证CCD_ 4和CCD_。