spark Dataframe/RDD 相当于描述中给出的 pandas 命令？

Question

如何通过 Pyspark 数据帧或 RDD 执行与此 pandas 命令相同的功能？

df.drop(df.std()[(df.std() == 0)].index, axis=1)

有关此命令的详细信息，请参阅： How to drop columns which have same values in all rows via pandas or spark dataframe?

注意：

文件太大，无法使用df.toPandas()。

Answer 1

一般你可以使用countDistinct:

from pyspark.sql.functions import countDistinct 

cnts = (df
    .select([countDistinct(c).alias(c) for c in df.columns])
    .first()
    .asDict())

df.select(*[k for (k, v) in cnts.items() if v > 1])

## +---+-----+-----+-----+
## | id|index| name|data1|
## +---+-----+-----+-----+
## |345|    0|name1|    3|
## | 12|    1|name2|    2|
## |  2|    5|name6|    7|
## +---+-----+-----+-----+

这不适用于具有基数的数据，但可以处理非数字列。

您可以使用相同的方法过滤标准差：

from pyspark.sql.functions import stddev

stddevs = df.select(*[stddev(c).alias(c) for c in df.columns]).first().asDict()

df.select(*[k for (k, v) in stddevs.items() if v is None or v != 0.0])

## +---+-----+-----+-----+
## | id|index| name|data1|
## +---+-----+-----+-----+
## |345|    0|name1|    3|
## | 12|    1|name2|    2|
## |  2|    5|name6|    7|
## +---+-----+-----+-----+