删除两个重复的行

Question

同事们，今天好。我有一个很大的数据集(大约237000行)。有很多专栏。例如，我需要删除列名为userId、VTS的所有重复项。

userId Vts moreColumn1 moreColumn2
10     150     2           3              -delete
11     160     1           6
10     150     0           1              -delete

我对SQL不好。曾经尝试过与互联网不同的变体，但它不起作用。

更新：

泰伊想要答案！我忘了说我使用java。这是我为java优化的代码：

viewingDataset.groupBy("userId", "VTS")
                .count()
                .where("count = 1")
                .drop("count")
                .join(viewingDataset, JavaConversions.asScalaBuffer(asList("userId", "VTS")))

Answer 1

您可以使用计数进行聚合，过滤结果并返回。

df.groupBy("userId", "Vts").count
  .where($"count" === 1)
  .drop("count")
  .join(df, Seq("userId", "Vts"))

窗口函数有可能得到同样的结果，但如果数据倾斜，而且平均花费要高得多，那么它的鲁棒性就会降低。

Answer 2

您可以使用窗口功能实现您想要的结果：

import org.apache.spark.sql.expressions.Window._

ds.withColumn("aux", count("*")
.over(Window.partitionBy($"userId", $"VTS")))
.where($"aux"===1)
.drop($"aux")

partitionBy将根据作为参数发送的列(在示例中为userId和VTS )，按分区计算多少个元素。然后，使用where子句，我们将只保留计数为1的分区中的行，即唯一的行。

partitionBY子句的结果

ds.withColumn("aux", count("*").over(Window.partitionBy($"userId", $"VTS"))).show

+-------+----+------------+------------+---+
| userId| VTS| moreColumn1| moreColumn2|aux|
+-------+----+------------+------------+---+
|     10| 150|           2|           3|  2|
|     10| 150|           0|           1|  2|
|     11| 160|           1|           6|  1|
+-------+----+------------+------------+---+

最终结果

+-------+----+------------+------------+
| userId| VTS| moreColumn1| moreColumn2|
+-------+----+------------+------------+
|     11| 160|           1|           6|
+-------+----+------------+------------+