如何删除pyspark数据框中的列

>>> a
DataFrame[id: bigint, julian_date: string, user_id: bigint]
>>> b
DataFrame[id: bigint, quan_created_money: decimal(10,0), quan_created_cnt: bigint]
>>> a.join(b, a.id==b.id, 'outer')
DataFrame[id: bigint, julian_date: string, user_id: bigint, id: bigint, quan_created_money: decimal(10,0), quan_created_cnt: bigint]

有两个id: bigint，我想删除一个。我能怎么做？

阅读Spark文档后，我发现了一个更简单的解决方案。

从spark的1.4版本开始，有一个函数drop(col)可以在数据帧上的pyspark中使用。

您可以通过两种方式使用它

1. df.drop('age').collect()
2. df.drop(df.age).collect()

Pyspark文档-删除

除了@Patrick的答案外，您还可以使用以下内容删除多列

columns_to_drop = ['id', 'id_copy']
df = df.drop(*columns_to_drop)

一个简单的方法做，这是对用户“ select”，并意识到你可以得到所有的列表columns为dataframe，df与df.columns

drop_list = ['a column', 'another column', ...]

df.select([column for column in df.columns if column not in drop_list])

您可以明确命名要保留的列，如下所示：

keep = [a.id, a.julian_date, a.user_id, b.quan_created_money, b.quan_created_cnt]

或者，以更一般的方法，您可以通过列表理解功能将除特定列之外的所有列都包括在内。例如这样的示例（不包括id来自的列b）：

keep = [a[c] for c in a.columns] + [b[c] for c in b.columns if c != 'id']

最后，对联接结果进行选择：

d = a.join(b, a.id==b.id, 'outer').select(*keep)

您可以使用两种方式：

1：您只保留必要的列：

drop_column_list = ["drop_column"]
df = df.select([column for column in df.columns if column not in drop_column_list])  

2：这是更优雅的方式。

df = df.drop("col_name")

您应该避免使用collect（）版本，因为它将完整的数据集发送到主数据库，这将需要大量的计算工作！

也许有点偏离主题，但这是使用Scala的解决方案。Array从中创建一个列名称，oldDataFrame然后删除要删除的列("colExclude")。然后将传送Array[Column]到select并解压。

val columnsToKeep: Array[Column] = oldDataFrame.columns.diff(Array("colExclude"))
                                               .map(x => oldDataFrame.col(x))
val newDataFrame: DataFrame = oldDataFrame.select(columnsToKeep: _*)

考虑2个dataFrames：

>>> aDF.show()
+---+----+
| id|datA|
+---+----+
|  1|  a1|
|  2|  a2|
|  3|  a3|
+---+----+

和

>>> bDF.show()
+---+----+
| id|datB|
+---+----+
|  2|  b2|
|  3|  b3|
|  4|  b4|
+---+----+

要完成您要寻找的东西，有两种方法：

1.不同的加入条件。而不是说aDF.id == bDF.id

aDF.join(bDF, aDF.id == bDF.id, "outer")

这样写：

aDF.join(bDF, "id", "outer").show()
+---+----+----+
| id|datA|datB|
+---+----+----+
|  1|  a1|null|
|  3|  a3|  b3|
|  2|  a2|  b2|
|  4|null|  b4|
+---+----+----+

这将自动消除多余的删除过程。

2.使用别名：您将丢失与此B特定ID相关的数据。

>>> from pyspark.sql.functions import col
>>> aDF.alias("a").join(bDF.alias("b"), aDF.id == bDF.id, "outer").drop(col("b.id")).show()

+----+----+----+
|  id|datA|datB|
+----+----+----+
|   1|  a1|null|
|   3|  a3|  b3|
|   2|  a2|  b2|
|null|null|  b4|
+----+----+----+

您可以像这样删除列：

df.drop("column Name).columns

在您的情况下：

df.drop("id").columns

如果要删除多个列，可以执行以下操作：

dfWithLongColName.drop("ORIGIN_COUNTRY_NAME", "DEST_COUNTRY_NAME")