[英]how to drop duplicates but keep first in pyspark dataframe?
我正在尝试从数据框中删除重复项,但不应删除第一个条目。 除第一条记录 rest 外,所有其他重复项都应存储在一个单独的数据帧中。
例如,如果数据框是这样的:
col1,col2,col3,col4
r,t,s,t
a,b,c,d
b,m,c,d
a,b,c,d
a,b,c,d
g,n,d,f
e,f,g,h
t,y,u,o
e,f,g,h
e,f,g,h
在这种情况下,我应该有两个数据框。
df1:
r,t,s,t
a,b,c,d
b,m,c,d
g,n,d,f
e,f,g,h
t,y,u,o
和其他数据框应该是:
a,b,c,d
a,b,c,d
e,f,g,h
e,f,g,h
尝试使用window row_number()
function。
Example:
df.show()
#+----+----+----+----+
#|col1|col2|col3|col4|
#+----+----+----+----+
#| r| t| s| t|
#| a| b| c| d|
#| b| m| c| d|
#| a| b| c| d|
#| a| b| c| d|
#| g| n| d| f|
#| e| f| g| h|
#| t| y| u| o|
#| e| f| g| h|
#| e| f| g| h|
#+----+----+----+----+
from pyspark.sql import *
from pyspark.sql.functions import *
w=Window.partitionBy("col1","col2","col3","col4").orderBy(lit(1))
df1=df.withColumn("rn",row_number().over(w)).filter(col("rn")==1).drop("rn")
df1.show()
#+----+----+----+----+
#|col1|col2|col3|col4|
#+----+----+----+----+
#| b| m| c| d|
#| r| t| s| t|
#| g| n| d| f|
#| t| y| u| o|
#| a| b| c| d|
#| e| f| g| h|
#+----+----+----+----+
df2=df.withColumn("rn",row_number().over(w)).filter(col("rn")>1).drop("rn")
df2.show()
#+----+----+----+----+
#|col1|col2|col3|col4|
#+----+----+----+----+
#| a| b| c| d|
#| a| b| c| d|
#| e| f| g| h|
#| e| f| g| h|
#+----+----+----+----+
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.