python - PySpark DataFrames - 使用不同类型的列之间的比较进行过滤

Question

假设您有一个数据框，其中包含各种类型的列(字符串、 double ......)和一个特殊值“miss”，表示字符串类型列中的“缺失值”。

from pyspark.sql import SparkSession
import pandas as pd

spark = SparkSession.builder.getOrCreate()

pdf = pd.DataFrame([
    [1, 'miss'],
    [2, 'x'],
    [None, 'y']
], columns=['intcol', 'strcol'])

df = spark.createDataFrame(data=pdf)

我正在尝试使用如下过滤来计算每列的非缺失值的数量:

col = df['strcol']
df.filter(col.isNotNull() & (col != 'miss')).show()

适用于字符串列:

+------+------+
|intcol|strcol|
+------+------+
|   2.0|     x|
|   NaN|     y|
+------+------+

但是，对于数字列，它会过滤掉所有行:

col = df['intcol']
df.filter(col.isNotNull() & (col != 'miss')).show()

+------+------+
|intcol|strcol|
+------+------+
+------+------+

这似乎是因为数字列与字符串值的跨类型比较会产生全空值:

df.select(df['intcol'] != 'miss').show()

+---------------------+
|(NOT (intcol = miss))|
+---------------------+
|                 null|
|                 null|
|                 null|
+---------------------+

我发现这有点出乎意料(例如 1 != '' 是 True，在“正常”Python 中不是 null)

我的问题实际上是几个问题:

• 为什么交叉类型比较会导致空值？
• 以“预期方式”测试不同类型之间的相等/不相等的最佳方法是什么？或者(就我而言)我是否需要包含根据列类型进行切换的单独逻辑？
• 看起来 df.filter(~df['intcol'].isin(['miss'])) 可以完成这项工作，但我想知道这是否效率较低？

Answer 1

让我们从原因开始。 DataFrame API 是用于 SQL 的 DSL，并且适用 SQL 评估规则。每当您对不同类型的对象应用运算符时，都会根据预定义的规则对优先级较低的操作数应用 CAST 操作。一般数字类型，具有较高的优先级，因此(遵循执行计划df.select(df['intcol'] != 'miss').explain(True)):

== Parsed Logical Plan ==
'Project [NOT (intcol#0 = miss) AS (NOT (intcol = miss))#12]
+- LogicalRDD [intcol#0, strcol#1], false

被重写为

== Analyzed Logical Plan ==
(NOT (intcol = miss)): boolean
Project [NOT (intcol#0 = cast(miss as double)) AS (NOT (intcol = miss))#12]
+- LogicalRDD [intcol#0, strcol#1], false

其中'miss'是CASTED到double，然后转换为NULL

== Optimized Logical Plan ==
Project [null AS (NOT (intcol = miss))#22]
+- LogicalRDD [intcol#0, strcol#1], false

使用此操作数进行强制转换未定义。

由于与 NULL 的相等性也未定义 - Difference between === null and isNull in Spark DataDrame - filter 产生空结果。

现在如何解决这个问题。两者都是显式转换:

df.filter(df['intcol'].cast("string") != 'miss')

和空安全平等:

df.filter(~df['intcol'].cast("string").eqNullSafe('miss'))

应该可以解决问题。

另请注意，NaN 值不是 NULL，并且通过 Pandas 进行转换是有损的 - Pandas dataframe to Spark dataframe, handling NaN conversions to actual null?