私が使用しているときの違いに少し混乱しています
df.filter(col("c1") === null) and df.filter(col("c1").isNull)
同じデータフレーム=== nullでカウントを取得していますが、isNullでカウントはゼロです。違いを理解してください。ありがとう
何よりもまず、互換性の理由で本当に必要な場合を除き、Scalaコードでnull
を使用しないでください。
あなたの質問に関しては、それはプレーンSQLです。 col("c1") === null
は_c1 = NULL
_として解釈され、NULL
は未定義の値をマークするため、NULL
自体を含むすべての値の結果は未定義です。
_spark.sql("SELECT NULL = NULL").show
_
_+-------------+
|(NULL = NULL)|
+-------------+
| null|
+-------------+
_
_spark.sql("SELECT NULL != NULL").show
_
_+-------------------+
|(NOT (NULL = NULL))|
+-------------------+
| null|
+-------------------+
_
_spark.sql("SELECT TRUE != NULL").show
_
_+------------------------------------+
|(NOT (true = CAST(NULL AS BOOLEAN)))|
+------------------------------------+
| null|
+------------------------------------+
_
_spark.sql("SELECT TRUE = NULL").show
_
_+------------------------------+
|(true = CAST(NULL AS BOOLEAN))|
+------------------------------+
| null|
+------------------------------+
_
NULL
を確認する有効なメソッドは次のとおりです。
_IS NULL
_:
_spark.sql("SELECT NULL IS NULL").show
_
_+--------------+
|(NULL IS NULL)|
+--------------+
| true|
+--------------+
_
_spark.sql("SELECT TRUE IS NULL").show
_
_+--------------+
|(true IS NULL)|
+--------------+
| false|
+--------------+
_
_IS NOT NULL
_:
_spark.sql("SELECT NULL IS NOT NULL").show
_
_+------------------+
|(NULL IS NOT NULL)|
+------------------+
| false|
+------------------+
_
_spark.sql("SELECT TRUE IS NOT NULL").show
_
_+------------------+
|(true IS NOT NULL)|
+------------------+
| true|
+------------------+
_
DataFrame
DSLでは、それぞれ_Column.isNull
_および_Column.isNotNull
_として実装されます。
注:
NULL
- safeの比較には、_IS DISTINCT
_/_IS NOT DISTINCT
_を使用します。
_spark.sql("SELECT NULL IS NOT DISTINCT FROM NULL").show
_
_+---------------+
|(NULL <=> NULL)|
+---------------+
| true|
+---------------+
_
_spark.sql("SELECT NULL IS NOT DISTINCT FROM TRUE").show
_
_+--------------------------------+
|(CAST(NULL AS BOOLEAN) <=> true)|
+--------------------------------+
| false|
+--------------------------------+
_
またはnot(_ <=> _)
/_<=>
_
_spark.sql("SELECT NULL AS col1, NULL AS col2").select($"col1" <=> $"col2").show
_
_+---------------+
|(col1 <=> col2)|
+---------------+
| true|
+---------------+
_
_spark.sql("SELECT NULL AS col1, TRUE AS col2").select($"col1" <=> $"col2").show
_
_+---------------+
|(col1 <=> col2)|
+---------------+
| false|
+---------------+
_
sQLおよびDataFrame
DSLでそれぞれ。
関連:
通常、Spark Dataframesの予期しない結果に光を当てる最良の方法は、説明計画を確認することです。次の例を検討してください。
import org.Apache.spark.sql.{DataFrame, SparkSession}
import org.Apache.spark.sql.functions._
object Example extends App {
val session = SparkSession.builder().master("local[*]").getOrCreate()
case class Record(c1: String, c2: String)
val data = List(Record("a", "b"), Record(null, "c"))
val rdd = session.sparkContext.parallelize(data)
import session.implicits._
val df: DataFrame = rdd.toDF
val filtered = df.filter(col("c1") === null)
println(filtered.count()) // <-- outputs 0, not expected
val filtered2 = df.filter(col("c1").isNull)
println(filtered2.count())
println(filtered2) // <- outputs 1, as expected
filtered.explain(true)
filtered2.explain(true)
}
最初の説明計画は次のことを示しています。
== Physical Plan ==
*Filter (isnotnull(c1#2) && null)
+- Scan ExistingRDD[c1#2,c2#3]
== Parsed Logical Plan ==
'Filter isnull('c1)
+- LogicalRDD [c1#2, c2#3]
このフィルター句は無意味に見えます。 &&
to null
は、これがtrue
に解決できないことを保証します。
2番目の説明プランは次のようになります。
== Physical Plan ==
*Filter isnull(c1#2)
+- Scan ExistingRDD[c1#2,c2#3]
ここで、フィルターは期待し、求めているものです。