python - example - spark 2.3 6

Filtrar la columna del marco de datos Pyspark con el valor Ninguno

Question

Estoy tratando de filtrar un marco de datos PySpark que tiene None como valor de fila:

df.select(''dt_mvmt'').distinct().collect()

[Row(dt_mvmt=u''2016-03-27''),
 Row(dt_mvmt=u''2016-03-28''),
 Row(dt_mvmt=u''2016-03-29''),
 Row(dt_mvmt=None),
 Row(dt_mvmt=u''2016-03-30''),
 Row(dt_mvmt=u''2016-03-31'')]

y puedo filtrar correctamente con un valor de cadena:

df[df.dt_mvmt == ''2016-03-31'']
# some results here

pero esto falla:

df[df.dt_mvmt == None].count()
0
df[df.dt_mvmt != None].count()
0

Pero definitivamente hay valores en cada categoría. ¿Que esta pasando?

Answer 1

Intenta usar la función isNotNull .

df.filter(df.dt_mvmt.isNotNull()).count()

Answer 2

Para obtener entradas cuyos valores en la columna dt_mvmt no son nulos, tenemos

df.filter("dt_mvmt is not NULL")

y para entradas que son nulas tenemos

df.filter("dt_mvmt is NULL")

Answer 3

Puede usar Column.isNull / Column.isNotNull :

df.where(col("dt_mvmt").isNull())

df.where(col("dt_mvmt").isNotNull())

Si desea simplemente soltar valores NULL , puede usar na.drop con argumento de subset :

df.na.drop(subset=["dt_mvmt"])

Las comparaciones basadas en la igualdad con NULL no funcionarán porque en SQL NULL no está definido, por lo que cualquier intento de compararlo con otro valor devuelve NULL :

sqlContext.sql("SELECT NULL = NULL").show()
## +-------------+
## |(NULL = NULL)|
## +-------------+
## |         null|
## +-------------+


sqlContext.sql("SELECT NULL != NULL").show()
## +-------------------+
## |(NOT (NULL = NULL))|
## +-------------------+
## |               null|
## +-------------------+

El único método válido para comparar el valor con NULL es IS / IS NOT que son equivalentes a las llamadas al método isNull / isNotNull .

Answer 4

PySpark proporciona varias opciones de filtrado basadas en condiciones aritméticas, lógicas y de otro tipo. La presencia de valores NULL puede dificultar otros procesos. Eliminarlos o imputarlos estadísticamente podría ser una opción.

A continuación se puede considerar el conjunto de códigos:

# Dataset is df
# Column name is dt_mvmt
# Before filtering make sure you have the right count of the dataset
df.count() # Some number

# Filter here
df = df.filter(df.dt_mvmt.isNotNull())

# Check the count to ensure there are NULL values present (This is important when dealing with large dataset)
df.count() # Count should be reduced if NULL values are present

Answer 5

Si desea filtrar los registros que tienen el valor Ninguno en la columna, consulte el siguiente ejemplo:

df=spark.createDataFrame([[123,"abc"],[234,"fre"],[345,None]],["a","b"])

Ahora filtre los registros de valores nulos:

df=df.filter(df.b.isNotNull())

df.show()

Si desea eliminar esos registros de DF, consulte a continuación:

df1=df.na.drop(subset=[''b''])

df1.show()

Answer 6

También intentaría:

df = df.dropna(subset=["dt_mvmt"])

Answer 7

si columna = Ninguno

COLUMN_OLD_VALUE
----------------
None
1
None
100
20
------------------

Utilice crear un marco de datos tentable en:

sqlContext.sql("select * from tempTable where column_old_value=''None'' ").show()

Entonces use: column_old_value=''None''