python - 如何计算 pyspark 数据框中某个键的出现次数 (2.1.0)

Question

上下文

假设我有以下数据框:

col1 | col2 | col3
a    | toto | 1
a    | toto | 2
a    | toto | 45
a    | toto | 789
a    | toto | 456
b    | titi | 4
b    | titi | 8

以col1为主键。

我想知道如何确定 col1 中的哪个键在数据帧中出现次数少于 5 次。

所以输出应该是:

col1 | col2 | col3
b    | titi | 

到目前为止，我想出了以下解决方案:

anc_ref_window = Window.partitionBy("col1")
df\
    .withColumn("temp_one", lit(1)) \
    .withColumn("count", sum(col("temp_one")).over(anc_ref_window)) \
    .drop("temp_one") \
    .filter(col("count") < 5) \
    .drop("count") \
    .show()

结果如下:

col1 | col2 | col3
b    | titi | 4
b    | titi | 8

问题

1 - 这是解决问题的正确方法吗？

2 - 我怎样才能只获得预期的输出？对于我的 pyspark (2.1.0) 版本，似乎没有像 select distinct col1,col2 这样的机制，就像我通过 Impala 所做的那样(例如)。

编辑:

col3 中的输出值对我来说无关紧要。

Answer 1

另一种方法:

df_lessthan5 = df.groupBy(col("col1")).count() \
                 .filter(col("count") < 5) \
                 .drop(col("count"))

df_distinct = df.drop(col("col3")).distinct()

result = df_distinct.join(df_lessthan5, ['col1'], 'inner')

结果:

result.show()
+----+----+
|col1|col2|
+----+----+
|   b|titi|
+----+----+

---

与窗口操作相比，性能明智:

如果您确定您的窗口列 (col1) 没有高度偏斜，那么它会稍微好一些或与此 GroupBy 解决方案相当。

但如果您的 col1 是高度倾斜的，那么它将无法正确并行化，并且 1 个任务必须完成所有主要操作。在这种情况下，您应该选择 groupBy + join