Pyspark 数据框过滤器 OR 条件

Question

我正在尝试根据 OR 条件过滤我的 pyspark 数据框，如下所示：

filtered_df = file_df.filter(file_df.dst_name == "ntp.obspm.fr").filter(file_df.fw == "4940" | file_df.fw == "4960")

我只想返回 file_df.fw == "4940" OR file_df.fw == "4960" 的行但是当我尝试这个时，我得到这个错误：

Py4JError: An error occurred while calling o157.or. Trace:
py4j.Py4JException: Method or([class java.lang.String]) does not exist

我究竟做错了什么？

如果没有 OR 条件，当我尝试仅在一种条件下进行过滤时它会起作用（ file_df.fw=="4940" ）

Answer 1

错误消息是由操作员的不同优先级引起的。 的| (OR) 作为比较运算符==具有更高的优先级。 Spark 尝试将 OR 应用于
"4940"和file_df.fw而不是你想要的(file_df.fw == "4940")和(file_df.fw == "4960") 。 您可以使用括号更改优先级。 看看下面的例子：

columns = ['dst_name','fw']

file_df=spark.createDataFrame([('ntp.obspm.fr','3000'),
                               ('ntp.obspm.fr','4940'),
                               ('ntp.obspm.fr','4960'),
                               ('ntp.obspm.de', '4940' )],
                              columns)

#here I have added the brackets
filtered_df = file_df.filter(file_df.dst_name == "ntp.obspm.fr").filter((file_df.fw == "4940") | (file_df.fw == "4960"))
filtered_df.show()

输出：

+------------+----+ 
|    dst_name|  fw| 
+------------+----+ 
|ntp.obspm.fr|4940| 
|ntp.obspm.fr|4960| 
+------------+----+