PySpark DataFrame無法刪除重復項

Question

您好我已經創建了一個spark數據幀，我正在嘗試刪除重復項：

df.drop_duplicates(subset='id')

我收到以下錯誤：

Py4JError: An error occurred while calling z:org.apache.spark.api.python.PythonUtils.toSeq. Trace:
py4j.Py4JException: Method toSeq([class java.lang.String]) does not exist
    at py4j.reflection.ReflectionEngine.getMethod(ReflectionEngine.java:335)
    at py4j.reflection.ReflectionEngine.getMethod(ReflectionEngine.java:360)
    at py4j.Gateway.invoke(Gateway.java:254)
    at py4j.commands.AbstractCommand.invokeMethod(AbstractCommand.java:133)
    at py4j.commands.CallCommand.execute(CallCommand.java:79)
    at py4j.GatewayConnection.run(GatewayConnection.java:209)
    at java.lang.Thread.run(Thread.java:745)

我使用的是osx 10.11.4，spark 1.6.1

我跑了這樣一個jupyter筆記本

PYSPARK_DRIVER_PYTHON=jupyter PYSPARK_DRIVER_PYTHON_OPTS='notebook' pyspark

是否有其他一些我可能錯過或出錯的配置？

Answer 1

drop_duplicates / dropDuplicates參數應該是名稱的集合，Java等價物可以轉換為Scala Seq ，而不是單個字符串。 您可以使用以下list ：

df.drop_duplicates(subset=['id'])

或tuple ：

df.drop_duplicates(subset=('id', ))