如何删除 pyspark 数据帧中的列


>>> a
DataFrame[id: bigint, julian_date: string, user_id: bigint]
>>> b
DataFrame[id: bigint, quan_created_money: decimal(10,0), quan_created_cnt: bigint]
>>> a.join(b, a.id==b.id, 'outer')
DataFrame[id: bigint, julian_date: string, user_id: bigint, id: bigint, quan_created_money: decimal(10,0), quan_created_cnt: bigint]

有两个id: bigint我想删除一个。我该怎么办?

阅读 Spark 文档,我发现了一个更简单的解决方案。

从 Spark 的 1.4 版本开始,有一个函数drop(col)可以在数据帧上的 pyspark 中使用。

您可以通过两种方式使用它

  1. df.drop('age')
  2. df.drop(df.age)

Pyspark 文档 - 删除

添加到@Patrick的答案中,您可以使用以下内容删除多个列

columns_to_drop = ['id', 'id_copy']
df = df.drop(*columns_to_drop)
一个简单的

方法是用户"select",并意识到你可以得到一个dataframe的所有columns的列表,dfdf.columns

drop_list = ['a column', 'another column', ...]
df.select([column for column in df.columns if column not in drop_list])

您可以使用两种方式:

1:您只需保留必要的列:

drop_column_list = ["drop_column"]
df = df.select([column for column in df.columns if column not in drop_column_list])  

2:这是更优雅的方式。

df = df.drop("col_name")

你应该避免使用 collect() 版本,因为它会向主节点发送完整的数据集,这将需要大量的计算工作!

您可以显式命名要保留的列,如下所示:

keep = [a.id, a.julian_date, a.user_id, b.quan_created_money, b.quan_created_cnt]

或者,在更通用的方法中,您将通过列表推导式包含除特定列之外的所有列。例如,像这样(不包括b中的id列):

keep = [a[c] for c in a.columns] + [b[c] for c in b.columns if c != 'id']

最后,您对联接结果进行选择:

d = a.join(b, a.id==b.id, 'outer').select(*keep)

也许有点跑题了,但这是使用 Scala 的解决方案。从oldDataFrameArray列名称,并删除要删除的列("colExclude")。然后将Array[Column]传递给select并打开包装。

val columnsToKeep: Array[Column] = oldDataFrame.columns.diff(Array("colExclude"))
                                               .map(x => oldDataFrame.col(x))
val newDataFrame: DataFrame = oldDataFrame.select(columnsToKeep: _*)

是的,可以通过像这样切片来删除/选择列:

切片 = 数据列[a:b]

data.select(slice).show()

例:

newDF = spark.createDataFrame([
                           (1, "a", "4", 0), 
                            (2, "b", "10", 3), 
                            (7, "b", "4", 1), 
                            (7, "d", "4", 9)],
                            ("id", "x1", "x2", "y"))

slice = newDF.columns[1:3]
newDF.select(slice).show()

使用选择方法获取特征列:

features = newDF.columns[:-1]
newDF.select(features).show()

使用删除方法获取最后一列:

last_col= newDF.drop(*features)
last_col.show()

考虑 2 个数据帧:

>>> aDF.show()
+---+----+
| id|datA|
+---+----+
|  1|  a1|
|  2|  a2|
|  3|  a3|
+---+----+

>>> bDF.show()
+---+----+
| id|datB|
+---+----+
|  2|  b2|
|  3|  b3|
|  4|  b4|
+---+----+

要完成您正在寻找的目标,有两种方法:

1.不同的加入条件。而不是说 aDF.id==bDF.id

aDF.join(bDF, aDF.id == bDF.id, "outer")

写这个:

aDF.join(bDF, "id", "outer").show()
+---+----+----+
| id|datA|datB|
+---+----+----+
|  1|  a1|null|
|  3|  a3|  b3|
|  2|  a2|  b2|
|  4|null|  b4|
+---+----+----+

这将自动摆脱额外的丢弃过程。

2.使用混叠:您将丢失与B特定ID相关的数据。

>>> from pyspark.sql.functions import col
>>> aDF.alias("a").join(bDF.alias("b"), aDF.id == bDF.id, "outer").drop(col("b.id")).show()
+----+----+----+
|  id|datA|datB|
+----+----+----+
|   1|  a1|null|
|   3|  a3|  b3|
|   2|  a2|  b2|
|null|null|  b4|
+----+----+----+

您可以像这样删除列:

df.drop("column Name).columns

在您的情况下:

df.drop("id").columns

如果要删除多个列,可以执行以下操作:

dfWithLongColName.drop("ORIGIN_COUNTRY_NAME", "DEST_COUNTRY_NAME")

相关内容

  • 没有找到相关文章

最新更新