web-dev-qa-db-fra.com

Pyspark dataframe comment supprimer des lignes avec des valeurs nulles dans toutes les colonnes?

Pour une trame de données, avant c'est comme:

+----+----+----+
|  ID|TYPE|CODE|
+----+----+----+
|   1|   B|  X1|
|null|null|null|
|null|   B|  X1|
+----+----+----+

Après j'espère que c'est comme:

+----+----+----+
|  ID|TYPE|CODE|
+----+----+----+
|   1|   B|  X1|
|null|   B|  X1|
+----+----+----+

Je préfère une méthode générale telle qu'elle puisse s'appliquer lorsque df.columns est très long. Merci!

pythonapache-sparkpysparkapache-spark-sqlpyspark-sql
9
kww

Une option consiste à utiliser functools.reduce pour construire les conditions:

from functools import reduce
df.filter(~reduce(lambda x, y: x & y, [df[c].isNull() for c in df.columns])).show()
+----+----+----+
|  ID|TYPE|CODE|
+----+----+----+
|   1|   B|  X1|
|null|   B|  X1|
+----+----+----+

où reduce produit une requête comme suit:

~reduce(lambda x, y: x & y, [df[c].isNull() for c in df.columns])
# Column<b'(NOT (((ID IS NULL) AND (TYPE IS NULL)) AND (CODE IS NULL)))'>
4
Psidom

Fournir une stratégie pour na.drop est tout ce dont vous avez besoin:

df = spark.createDataFrame([
    (1, "B", "X1"), (None, None, None), (None, "B", "X1"), (None, "C", None)],
    ("ID", "TYPE", "CODE")
)

df.na.drop(how="all").show()

+----+----+----+
|  ID|TYPE|CODE|
+----+----+----+  
|   1|   B|  X1|
|null|   B|  X1|
|null|   C|null|
+----+----+----+

Une formulation alternative peut être obtenue avec threshold (nombre de NOT NULL valeurs):

df.na.drop(thresh=1).show()

+----+----+----+
|  ID|TYPE|CODE|
+----+----+----+
|   1|   B|  X1|
|null|   B|  X1|
|null|   C|null|
+----+----+----+
15
user6910411