web-dev-qa-db-ja.com

RDD / Spark DataFrameの特定の列に基づいて行から重複を削除する

次の形式のかなり大きなデータセットがあるとします。

data = sc.parallelize([('Foo',41,'US',3),
                       ('Foo',39,'UK',1),
                       ('Bar',57,'CA',2),
                       ('Bar',72,'CA',2),
                       ('Baz',22,'US',6),
                       ('Baz',36,'US',6)])

私がしたいのは、1番目、3番目、4番目の列の値のみに基づいて重複する行を削除することです。

完全に重複した行の削除は簡単です。

data = data.distinct()

行5または行6のいずれかが削除されます

しかし、列1、3、および4のみに基づいて重複行のみを削除するにはどうすればよいですか？つまり、次のいずれかを削除します：

('Baz',22,'US',6)
('Baz',36,'US',6)

Pythonでは、.drop_duplicates()で列を指定することでこれを行うことができます。 Spark/Pysparkで同じことを実現するにはどうすればよいですか？

apache-sparkapache-spark-sqlpyspark
47
Jason

PysparkdoesにはdropDuplicates()メソッドが含まれます。 https://spark.Apache.org/docs/latest/api/python/pyspark.sql.html#pyspark.sql.DataFrame.dropDuplicates

>>> from pyspark.sql import Row
>>> df = sc.parallelize([ \
...     Row(name='Alice', age=5, height=80), \
...     Row(name='Alice', age=5, height=80), \
...     Row(name='Alice', age=10, height=80)]).toDF()
>>> df.dropDuplicates().show()
+---+------+-----+
|age|height| name|
+---+------+-----+
|  5|    80|Alice|
| 10|    80|Alice|
+---+------+-----+

>>> df.dropDuplicates(['name', 'height']).show()
+---+------+-----+
|age|height| name|
+---+------+-----+
|  5|    80|Alice|
+---+------+-----+

@Jason（OP）が使用していたものよりも後のバージョンで導入されたのでしょうか？

編集：はい、それは1.4で導入されました

57
vaer-k

あなたの質問から、重複を決定するためにどの列を使用したいかは不明です。ソリューションの背後にある一般的な考え方は、重複を識別する列の値に基づいてキーを作成することです。その後、reduceByKeyまたはreduce操作を使用して、重複を排除できます。

始めるためのコードを次に示します。

def get_key(x):
    return "{0}{1}{2}".format(x[0],x[2],x[3])

m = data.map(lambda x: (get_key(x),x))

これで、列1,3および4でキー設定されるキー値RDDがあります。次のステップは、reduceByKeyまたはgroupByKeyおよびfilterのいずれかです。これにより、重複がなくなります。

r = m.reduceByKey(lambda x,y: (x))
24
Mike

既に他の回答を受け入れていることは承知していますが、これをDataFrameとして行いたい場合は、groupByとaggを使用してください。 DFが既に作成されていると仮定すると（「col1」、「col2」などの名前の列で）、次のことができます。

myDF.groupBy($"col1", $"col3", $"col4").agg($"col1", max($"col2"), $"col3", $"col4")

この場合、col2のMaxを選択しましたが、avg、minなどを実行できることに注意してください。

11
David Griffin

デビッドに同意します。追加するために、ではないかもしれません、groupByを除くすべての列集計関数の列。つまり、列のサブセットのみに基づいて重複を削除し、元のデータフレームのすべての列を保持する場合。したがって、これを行うためのより良い方法は、dropDuplicatesを使用することです。Spark 1.4.0

参照については、以下を参照してください： https://spark.Apache.org/docs/1.4.0/api/scala/index.html#org.Apache.spark.sql.DataFrame

11
technotring

組み込み関数dropDuplicates（）を使用しました。 Scala以下のコード

val data = sc.parallelize(List(("Foo",41,"US",3),
("Foo",39,"UK",1),
("Bar",57,"CA",2),
("Bar",72,"CA",2),
("Baz",22,"US",6),
("Baz",36,"US",6))).toDF("x","y","z","count")

data.dropDuplicates(Array("x","count")).show()

出力：

+---+---+---+-----+
|  x|  y|  z|count|
+---+---+---+-----+
|Baz| 22| US|    6|
|Foo| 39| UK|    1|
|Foo| 41| US|    3|
|Bar| 57| CA|    2|
+---+---+---+-----+
9
Aravind Krishnakumar

以下のプログラムは、重複を全体として削除するのに役立ちます、または特定の列に基づいて重複を削除する場合は、それを行うこともできます：

import org.Apache.spark.sql.SparkSession

object DropDuplicates {
def main(args: Array[String]) {
val spark =
  SparkSession.builder()
    .appName("DataFrame-DropDuplicates")
    .master("local[4]")
    .getOrCreate()

import spark.implicits._

// create an RDD of tuples with some data
val custs = Seq(
  (1, "Widget Co", 120000.00, 0.00, "AZ"),
  (2, "Acme Widgets", 410500.00, 500.00, "CA"),
  (3, "Widgetry", 410500.00, 200.00, "CA"),
  (4, "Widgets R Us", 410500.00, 0.0, "CA"),
  (3, "Widgetry", 410500.00, 200.00, "CA"),
  (5, "Ye Olde Widgete", 500.00, 0.0, "MA"),
  (6, "Widget Co", 12000.00, 10.00, "AZ")
)
val customerRows = spark.sparkContext.parallelize(custs, 4)

// convert RDD of tuples to DataFrame by supplying column names
val customerDF = customerRows.toDF("id", "name", "sales", "discount", "state")

println("*** Here's the whole DataFrame with duplicates")

customerDF.printSchema()

customerDF.show()

// drop fully identical rows
val withoutDuplicates = customerDF.dropDuplicates()

println("*** Now without duplicates")

withoutDuplicates.show()

// drop fully identical rows
val withoutPartials = customerDF.dropDuplicates(Seq("name", "state"))

println("*** Now without partial duplicates too")

withoutPartials.show()

 }
 }
0
Sampat Kumar