Spark数据框过滤空值和空格

【问题标题】：Spark dataframe filter both nulls and spacesSpark数据框过滤空值和空格
【发布时间】：2016-12-31 06:57:37
【问题描述】：

我有一个 spark 数据框，我需要为它过滤特定列的空值和空格。

假设数据框有两列。 col2 既有空值也有空白。

col1   col2
1      abc
2      null
3      null
4   
5      def

我想过滤掉 col2 为空值或空白的记录。任何人都可以帮助解决这个问题。

版本： Spark1.6.2 斯卡拉 2.10

【问题讨论】：

我可以像下面这样分别过滤掉空值和空白。 val df2 = df.filter("col2!= ''").filter(col("col2").isNotNull===true)
但我想在同一个过滤器表达式中包含这两个条件
@srinivas 根据我上面的评论，我要应用过滤器的列是相同的
您能否编辑您的评论。
这是更多的 SQL 方式！ val df2 = df.filter("col2 != '' AND col2 is not null")

标签： scala apache-spark-sql

【解决方案1】：

标准逻辑运算符在 Spark Columns 上定义：

scala> val myDF = Seq((1, "abc"),(2,null),(3,null),(4, ""),(5,"def")).toDF("col1", "col2")
myDF: org.apache.spark.sql.DataFrame = [col1: int, col2: string]

scala> myDF.show
+----+----+
|col1|col2|
+----+----+
|   1| abc|
|   2|null|
|   3|null|
|   4|    |
|   5| def|
+----+----+


scala> myDF.filter(($"col2" =!= "") && ($"col2".isNotNull)).show
+----+----+
|col1|col2|
+----+----+
|   1| abc|
|   5| def|
+----+----+

注意：根据您的 Spark 版本，您将需要 !== 或 =!=（后者是较新的选项）。

如果要满足 n 条件，我可能会使用一个列表来减少布尔列：

val conds = List(myDF("a").contains("x"), myDF("b") =!= "y", myDF("c") > 2)

val filtered = myDF.filter(conds.reduce(_&&_))

【讨论】：