Spark DataFrame - 從列中刪除空值

Question

給定一個數據框：

    val df = sc.parallelize(Seq(("foo", ArrayBuffer(null,"bar",null)), ("bar", ArrayBuffer("one","two",null)))).toDF("key", "value")
    df.show

    +---+--------------------------+
    |key|                     value|
    +---+--------------------------+
    |foo|ArrayBuffer(null,bar,null)|
    |bar|ArrayBuffer(one, two,null)|
    +---+--------------------------+

我想從列value刪除null 。 刪除后，數據框應如下所示：

    +---+--------------------------+
    |key|                     value|
    +---+--------------------------+
    |foo|ArrayBuffer(bar)          |
    |bar|ArrayBuffer(one, two)     |
    +---+--------------------------+

歡迎任何建議。 10倍

Answer 1

這里你需要一個UDF。 例如使用flatMap ：

val filterOutNull = udf((xs: Seq[String]) => 
  Option(xs).map(_.flatMap(Option(_))))

df.withColumn("value", filterOutNull($"value"))

其中帶有map外部Option處理NULL列：

Option(null: Seq[String]).map(identity)

Option[Seq[String]] = None

Option(Seq("foo", null, "bar")).map(identity)

Option[Seq[String]] = Some(List(foo, null, bar))

並通過映射確保當輸入為NULL / null時我們不會因 NPE 失敗

NULL -> null -> None -> None -> NULL

其中null是 Scala null ， NULL是 SQL NULL 。

內部flatMap平了一系列有效過濾nulls的Options ：

Seq("foo", null, "bar").flatMap(Option(_))

Seq[String] = List(foo, bar)

一個更命令式的等價物可能是這樣的：

val imperativeFilterOutNull = udf((xs: Seq[String]) => 
  if (xs == null) xs
  else for {
    x <- xs
    if x != null
  } yield x)

Answer 2

選項 1：使用 UDF：

 val filterNull = udf((arr : Seq[String]) => arr.filter((x: String) => x != null))
 df.withColumn("value", filterNull($"value")).show()

選項 2：無 UDF

df.withColumn("value", explode($"value")).filter($"value".isNotNull).groupBy("key").agg(collect_list($"value")).show()

請注意，這效率較低......

Answer 3

你也可以使用spark-daria它有：com.github.mrpowers.spark.daria.sql.functions.arrayExNull

從文檔：

像數組但不包含空元素