scala - Spark DataFrame - 从列中删除空值

Question

给定一个数据框:

    val df = sc.parallelize(Seq(("foo", ArrayBuffer(null,"bar",null)), ("bar", ArrayBuffer("one","two",null)))).toDF("key", "value")
    df.show

    +---+--------------------------+
    |key|                     value|
    +---+--------------------------+
    |foo|ArrayBuffer(null,bar,null)|
    |bar|ArrayBuffer(one, two,null)|
    +---+--------------------------+

我想从 value 列中删除 null。删除数据框后应如下所示:

    +---+--------------------------+
    |key|                     value|
    +---+--------------------------+
    |foo|ArrayBuffer(bar)          |
    |bar|ArrayBuffer(one, two)     |
    +---+--------------------------+

欢迎任何建议。 10倍

Answer 1

这里你需要一个 UDF。以 flatMap 为例:

val filterOutNull = udf((xs: Seq[String]) => 
  Option(xs).map(_.flatMap(Option(_))))

df.withColumn("value", filterOutNull($"value"))

其中带有 map 的外部 Option 处理 NULL 列:

Option(null: Seq[String]).map(identity)

Option[Seq[String]] = None

Option(Seq("foo", null, "bar")).map(identity)

Option[Seq[String]] = Some(List(foo, null, bar))

并通过映射确保当输入为 NULL/null 时我们不会因 NPE 而失败

NULL -> null -> None -> None -> NULL

其中 null 是 Scala null 而 NULL 是 SQL NULL。

内部 flatMap 将一系列 Options 展平，有效过滤 nulls:

Seq("foo", null, "bar").flatMap(Option(_))

Seq[String] = List(foo, bar)

一个更命令式的等价物可能是这样的:

val imperativeFilterOutNull = udf((xs: Seq[String]) => 
  if (xs == null) xs
  else for {
    x <- xs
    if x != null
  } yield x)