python - PySpark DataFrame 无法删除重复项

Question

您好，我创建了一个 spark 数据框，我正在尝试删除重复项:

df.drop_duplicates(subset='id')

我收到以下错误:

Py4JError: An error occurred while calling z:org.apache.spark.api.python.PythonUtils.toSeq. Trace:
py4j.Py4JException: Method toSeq([class java.lang.String]) does not exist
    at py4j.reflection.ReflectionEngine.getMethod(ReflectionEngine.java:335)
    at py4j.reflection.ReflectionEngine.getMethod(ReflectionEngine.java:360)
    at py4j.Gateway.invoke(Gateway.java:254)
    at py4j.commands.AbstractCommand.invokeMethod(AbstractCommand.java:133)
    at py4j.commands.CallCommand.execute(CallCommand.java:79)
    at py4j.GatewayConnection.run(GatewayConnection.java:209)
    at java.lang.Thread.run(Thread.java:745)

正在使用操作系统 10.11.4， Spark 1.6.1

我像这样运行了一个 jupyter notebook

PYSPARK_DRIVER_PYTHON=jupyter PYSPARK_DRIVER_PYTHON_OPTS='notebook' pyspark

是否还有其他一些我可能错过或弄错的配置？

Answer 1

drop_duplicates/dropDuplicates 的参数应该是名称的集合，Java 等效项可以转换为 Scala Seq，而不是单个字符串.您可以使用列表:

df.drop_duplicates(subset=['id'])

或一个元组:

df.drop_duplicates(subset=('id', ))