如何获取 HIVE/PySpark 表中每一列的唯一值？

【问题标题】：How to get unique values for each column in HIVE/PySpark table?如何获取 HIVE/PySpark 表中每一列的唯一值？
【发布时间】：2018-07-18 05:35:02
【问题描述】：

我在 HIVE/PySpark 中有一个包含 A、B 和 C 列的表。我想为每个列获取唯一值，例如

{A: [1, 2, 3], B:[a, b], C:[10, 20]}

任何格式（数据框、表格等）

如何在 HIVE 或 PySpark 中有效地（每列并行）执行此操作？

我目前的方法是分别对每一列执行此操作，因此需要很多时间。

【问题讨论】：

标签： hive pyspark pyspark-sql

【解决方案1】：

我们可以使用pyspark.sql.functions模块中的collect_set()，

>>> df = spark.createDataFrame([(1,'a',10),(2,'a',20),(3,'b',10)],['A','B','C'])
>>> df.show()
+---+---+---+
|  A|  B|  C|
+---+---+---+
|  1|  a| 10|
|  2|  a| 20|
|  3|  b| 10|
+---+---+---+

>>> from pyspark.sql import functions as F
>>> df.select([F.collect_set(x).alias(x) for x in df.columns]).show()
+---------+------+--------+
|        A|     B|       C|
+---------+------+--------+
|[1, 2, 3]|[b, a]|[20, 10]|
+---------+------+--------+

【讨论】：