[英]SPARK: dropDuplicates in every partitions only
我想在每个分区中dropDuplicates
,而不是完整的DataFrame。
PySpark 有可能吗? 谢谢。
import pyspark.sql.functions as f
withNoDuplicates = df.withColumn("partitionID", f.spark_partition_id()).dropDuplicates()
基本上你使用 spark_partition_id 添加一列分区 id 然后做不同的,它会分别考虑不同的分区
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.