PySpark：获取数据框中每列的第一个非空值

Question

我正在处理不同的 Spark DataFrames，它们在许多列中有很多 Null 值。我想从每一列中获取任何一个非空值，以查看该值是否可以转换为日期时间。

我尝试执行df.na.drop().first()，希望它会删除所有具有任何空值的行，而在剩余的DataFrame 中，我将只获得具有所有非空值的第一行。但是许多DataFrames 有很多包含大量空值的列，以至于df.na.drop() 返回空DataFrame。

我还尝试查找是否有任何列具有所有 null 值，以便我可以在尝试上述方法之前简单地删除这些列，但这仍然没有解决问题。知道如何以有效的方式完成此任务，因为此代码将在巨大的 DataFrames 上运行多次？

Answer 1

您可以将first 函数与ingorenulls 一起使用。假设数据如下所示：

from pyspark.sql.types import StringType, StructType, StructField

schema = StructType([
    StructField("x{}".format(i), StringType(), True) for i in range(3)
])

df = spark.createDataFrame(
    [(None, "foo", "bar"), ("foo", None, "bar"), ("foo", "bar", None)],
    schema
)

你可以：

from pyspark.sql.functions import first

df.select([first(x, ignorenulls=True).alias(x) for x in df.columns]).first()

Row(x0='foo', x1='foo', x2='bar')