在 Apache Spark Java 中，如何从某些字段不匹配的数据集中删除元素

问题描述

我有一个数据集说：

a=1,b=2
a=2,b=3

...我想删除 a 具有相同值但 b 具有不同值的记录。在这种情况下，删除 a=2 处的两条记录。

我怀疑我需要为 groupBy a 然后某种过滤 where b != b。

解决方法

我使用 Scala 完成了我的解决方案，只需遵循这个想法：

import org.apache.spark.sql.functions._
import org.apache.spark.sql.expressions.{Window}

val df = sc.parallelize(Seq(
  (1,2),(2,3)
)).toDF("a","b")

val window = Window.partitionBy("a")
val newDF = (df
             .withColumn("count",count(lit(1)).over(window))
             .where(col("count") === lit(1))
             .drop("count"))

newDF.show

输出：

+---+---+
|  a|  b|
+---+---+
|  1|  2|
+---+---+