Filtrez la colonne du dataframe Pyspark avec la valeur None.

Question

J'essaye de filtrer un cadre de données PySpark qui a None comme valeur de ligne :

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')]

et je peux filtrer correctement avec une valeur de type chaîne :

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

mais cela échoue :

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

Mais il y a définitivement des valeurs dans chaque catégorie. Qu'est-ce qui se passe ?

Answer 1

Vous pouvez utiliser Column.isNull / Column.isNotNull :

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

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

Si vous voulez simplement laisser tomber NULL vous pouvez utiliser les valeurs suivantes na.drop con subset argument :

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

Comparaisons fondées sur l'égalité avec NULL ne fonctionnera pas car en SQL NULL est indéfinie, donc toute tentative de comparaison avec une autre valeur retourne NULL :

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

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

La seule méthode valable pour comparer une valeur avec NULL es IS / IS NOT qui sont équivalentes à la isNull / isNotNull appels de méthodes.

Answer 2

Essayez d'utiliser simplement isNotNull fonction.

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

Answer 3

Pour obtenir les entrées dont les valeurs dans le dt_mvmt ne sont pas nuls, nous avons

df.filter("dt_mvmt is not NULL")

et pour les entrées qui sont nulles, on a

df.filter("dt_mvmt is NULL")

Answer 4

Il existe plusieurs façons de supprimer/filtrer les valeurs nulles d'une colonne dans un DataFrame.

Créons un simple DataFrame avec le code ci-dessous :

date = ['2016-03-27','2016-03-28','2016-03-29', None, '2016-03-30','2016-03-31']
df = spark.createDataFrame(date, StringType())

Vous pouvez maintenant essayer l'une des approches suivantes pour filtrer les valeurs nulles.

# Approach - 1
df.filter("value is not null").show()

# Approach - 2
df.filter(col("value").isNotNull()).show()

# Approach - 3
df.filter(df["value"].isNotNull()).show()

# Approach - 4
df.filter(df.value.isNotNull()).show()

# Approach - 5
df.na.drop(subset=["value"]).show()

# Approach - 6
df.dropna(subset=["value"]).show()

# Note: You can also use where function instead of a filter.

Vous pouvez également consulter la section "Working with NULL Values" sur mon site Web. blog pour plus d'informations.

J'espère que cela vous aidera.

Answer 5

IsNull()/isNotNull() renverront les lignes respectives qui ont dt_mvmt comme Null ou !Null.

method_1 = df.filter(df['dt_mvmt'].isNotNull()).count()
method_2 = df.filter(df.dt_mvmt.isNotNull()).count()

Les deux renverront le même résultat