python - 从 PySpark 数组列中删除重复项

Question

我有一个包含 ArrayType(StringType()) 列的 PySpark Dataframe。此列包含我需要删除的数组中的重复字符串。例如，一行条目可能看起来像 [milk, bread, milk, toast]。假设我的数据框名为 df，我的列名为 arraycol。我需要这样的东西:

df = df.withColumn("arraycol_without_dupes", F.remove_dupes_from_array("arraycol"))

我的直觉是有一个简单的解决方案，但在浏览 stackoverflow 15 分钟后，我没有发现比分解列、删除完整数据帧上的重复项，然后再次分组更好的方法。 一定有一种我只是没有想到的更简单的方法，对吧？

我使用的是 Spark 2.4.0 版

Answer 1

对于 pyspark 2.4+ 版本，您可以使用 pyspark.sql.functions.array_distinct :

from pyspark.sql.functions import array_distinct
df = df.withColumn("arraycol_without_dupes", array_distinct("arraycol"))

---

对于旧版本，您可以使用 explode + groupBy 和 collect_set 通过 API 函数执行此操作，但是 udf 在这里可能更有效:

from pyspark.sql.functions import udf

remove_dupes_from_array = udf(lambda row: list(set(row)), ArrayType(StringType()))
df = df.withColumn("arraycol_without_dupes", remove_dupes_from_array("arraycol"))