Pyspark：获取两列之间不同组合的数量

Question

我需要能够在两个单独的列中获得不同组合的数量。

在这个来自“动物”和“颜色”列的示例中，我想要得到的结果是 3，因为出现了三种不同的列组合。 基本上，Animal 或 Color 在不同的行中可以相同，但如果两行具有相同的 Animal AND Color，则应从该计数中省略。

Animal | Color
Dog    | Brown
Dog    | White
Cat    | Black
Dog    | White

我知道您可以将数据添加到一个集合中，这将消除重复项，但我似乎无法让它与多个变量一起使用。

这是我试图解决这个问题的示例代码。

d = d.rdd
d = d.map(lambda row: (row.day.year, row.number))
print(d.take(2000))
d_maxNum = d.reduceByKey(lambda max_num, this_num: this_num if this_num > max_num else max_num)
print(d_maxNum.collect())

Answer 1

Pyspark 有您可以使用的dropDuplicates方法参考。

df = sc.parallelize([Row(Animal='Dog', Color='White'), Row(Animal='Dog', Color='Black'), Row(Animal='Dog', Color='White'), Row(Animal='Cat', Color='White')]).toDF()

df.dropDuplicates(['Animal', 'Color']).count()

这将使输出为 3。

Answer 2

您可以使用distinct功能。

##Perform distinct on entire dataframe.
df.distinct().show()

##Perform distinct on certain columns of dataframe
df.select('Animal','Color').distinct().show()