Pyspark:在groupBy之后删除列条件上的行

Question

这是我的输入数据框:

id val    
1  Y
1  N
2  a
2  b
3  N

结果应该是:

id val    
1  Y     
2  a    
2  b
3  N

我想对 val 中同时包含 Y 和 N 的 col id 进行分组，然后删除列 val 包含“N”的行。请帮我解决这个问题，因为我是 pyspark 的初学者

Answer 1

您可以首先使用 val=="Y" 过滤器识别有问题的行，然后将此数据帧连接回原始数据帧。最后，您可以过滤 Null 值和要保留的行，例如val==Y。即使有很多行，Pyspark 也应该能够处理自连接。示例如下:

df_new = spark.createDataFrame([
(1, "Y"), (1, "N"), (1,"X"), (1,"Z"),
(2,"a"), (2,"b"), (3,"N")
], ("id", "val"))

df_Y = df_new.filter(col("val")=="Y").withColumnRenamed("val","val_Y").withColumnRenamed("id","id_Y")
df_new = df_new.join(df_Y, df_new["id"]==df_Y["id_Y"],how="left")
df_new.filter((col("val_Y").isNull()) | ((col("val_Y")=="Y") & ~(col("val")=="N"))).select("id","val").show()

结果将是您想要的:

+---+---+
| id|val|
+---+---+
|  1|  X|
|  1|  Y|
|  1|  Z|
|  3|  N|
|  2|  a|
|  2|  b|
+---+---+