Pyspark 數據框過濾器 OR 條件

Question

我正在嘗試根據 OR 條件過濾我的 pyspark 數據框，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" 的行但是當我嘗試這個時，我得到這個錯誤：

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

我究竟做錯了什么？

如果沒有 OR 條件，當我嘗試僅在一種條件下進行過濾時它會起作用（ file_df.fw=="4940" ）

Answer 1

錯誤消息是由操作員的不同優先級引起的。 的| (OR) 作為比較運算符==具有更高的優先級。 Spark 嘗試將 OR 應用於
"4940"和file_df.fw而不是你想要的(file_df.fw == "4940")和(file_df.fw == "4960") 。 您可以使用括號更改優先級。 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()

輸出：

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