如何计算 pyspark 数据帧中某个键的出现次数 (2.1.0)

问题描述

背景

假设我有以下数据框：

col1 | col2 | col3
a    | toto | 1
a    | toto | 2
a    | toto | 45
a    | toto | 789
a    | toto | 456
b    | titi | 4
b    | titi | 8

以 col1 作为主键。

我想知道如何确定 col1 中哪个键在数据框中出现的次数少于 5 次。

所以输出应该是：

col1 | col2 | col3
b    | titi | 

到目前为止，我想出了以下解决方案：

anc_ref_window = Window.partitionBy("col1")
df\
    .withColumn("temp_one",lit(1)) \
    .withColumn("count",sum(col("temp_one")).over(anc_ref_window)) \
    .drop("temp_one") \
    .filter(col("count") < 5) \
    .drop("count") \
    .show()

结果如下：

col1 | col2 | col3
b    | titi | 4
b    | titi | 8

问题

1 - 这是解决问题的正确方法吗？

2 - 我怎样才能得到预期的输出？对于我的 pyspark (2.1.0) 版本，似乎没有像 select distinct col1,col2 这样的机制，就像我通过 Impala 所做的那样（例如）。

编辑：

col3 中的输出值对我来说无关紧要。

解决方法

@koilaro 将我导向 '(_(9|31|4|7|_____|U)|/)' 。但是，它不提供在 distinct 中指示列名称的能力。

但是，pyspark 2.1.0 可以胜任：

dropDuplicates

,

另一种方法：

df_lessthan5 = df.groupBy(col("col1")).count() \
                 .filter(col("count") < 5) \
                 .drop(col("count"))

df_distinct = df.drop(col("col3")).distinct()

result = df_distinct.join(df_lessthan5,['col1'],'inner')

结果：

result.show()
+----+----+
|col1|col2|
+----+----+
|   b|titi|
+----+----+

---

与窗口操作相比，性能明智：

如果您确定您的窗口列 (col1) 没有高度倾斜，那么它会稍微好一些或与此 GroupBy 解决方案相媲美。

但是如果您的 col1 高度倾斜，那么它将无法正确并行化，并且 1 个任务必须完成所有主要操作。在这种情况下，你应该去 groupBy + join