如何在 pyspark 数据框中返回具有 Null 值的行？

Question

我正在尝试从 pyspark 数据框中获取具有空值的行。在 pandas 中，我可以在数据帧上使用 isnull() 来实现这一点：

df = df[df.isnull().any(axis=1)]

但在 PySpark 的情况下，当我在命令下方运行时，它会显示 Attributeerror:

df.filter(df.isNull())

AttributeError: 'DataFrame' 对象没有属性 'isNull'。

如何在不检查每一列的情况下获取具有空值的行？

Answer 1

您可以使用where、reduce 和列表解析过滤行。例如，给定以下数据框：

df = sc.parallelize([
    (0.4, 0.3),
    (None, 0.11),
    (9.7, None), 
    (None, None)
]).toDF(["A", "B"])

df.show()
+----+----+
|   A|   B|
+----+----+
| 0.4| 0.3|
|null|0.11|
| 9.7|null|
|null|null|
+----+----+

过滤带有一些null 值的行可以通过以下方式实现：

import pyspark.sql.functions as f
from functools import reduce

df.where(reduce(lambda x, y: x | y, (f.col(x).isNull() for x in df.columns))).show()

这给出了：

+----+----+
|   A|   B|
+----+----+
|null|0.11|
| 9.7|null|
|null|null|
+----+----+

在条件语句中，您必须指定 if any (or, |), all (and, &) 等。

Answer 2

这就是你如何在 scala 中做到这一点

import org.apache.spark.sql.functions._

case class Test(id:Int, weight:Option[Int], age:Int, gender: Option[String])

val df1 = Seq(Test(1, Some(100), 23, Some("Male")), Test(2, None, 25, None), Test(3, None, 33, Some("Female"))).toDF()
    
display(df1.filter(df1.columns.map(c => col(c).isNull).reduce((a,b) => a || b)))