Spark Dataframe中的重复列

Question

我在hadoop集群中有一个带有重复列的10GB csv文件。我尝试在SparkR中分析它，所以我使用spark-csv包将其解析为DataFrame：

  df <- read.df(
    sqlContext,
    FILE_PATH,
    source = "com.databricks.spark.csv",
    header = "true",
    mode = "DROPMALFORMED"
  )

但是因为df有重复的Email列，如果我想选择这个列，它会出错：

select(df, 'Email')

15/11/19 15:41:58 ERROR RBackendHandler: select on 1422 failed
Error in invokeJava(isStatic = FALSE, objId$id, methodName, ...) : 
  org.apache.spark.sql.AnalysisException: Reference 'Email' is ambiguous, could be: Email#350, Email#361.;
    at org.apache.spark.sql.catalyst.plans.logical.LogicalPlan.resolve(LogicalPlan.scala:278)
...

我想保留第一次出现的Email列并删除后者，我该怎么做？

Answer 1

最好的方法是更改​​上游的列名;）

但是，似乎这是不可能的，所以有几个选择：

1. 如果列的大小写不同（“电子邮件”与“电子邮件”），则可以启用区分大小写： sql(sqlContext, "set spark.sql.caseSensitive=true")
2. 如果列名完全相同，则需要手动指定架构并跳过第一行以避免标题：

   customSchema <- structType(
   structField("year", "integer"), 
   structField("make", "string"),
   structField("model", "string"),
   structField("comment", "string"),
   structField("blank", "string"))
   
   df <- read.df(sqlContext, "cars.csv", source = "com.databricks.spark.csv", header="true", schema = customSchema)

Answer 2

尝试重命名该列。

您可以按位置而不是select调用来选择它。

colnames(df)[column number of interest] <- 'deleteme'

或者，您可以直接删除列

 newdf <- df[,-x]

其中x是您不想要的列号。

更新：

如果上述方法不起作用，您可以将header设置为false，然后使用第一行重命名列：

  df <- read.df(
    sqlContext,
    FILE_PATH,
    source = "com.databricks.spark.csv",
    header = "FALSE",
    mode = "DROPMALFORMED"
  )

#get first row to use as column names
mycolnames <- df[1,]

#edit the dup column *in situ*
mycolnames[x] <- 'IamNotADup'
colnames(df) <- df[1,]

# drop the first row:
df <- df[-1,]

Answer 3

您还可以使用toDF创建新的数据框。

对于pyspark来说，这是同样的事情：Selecting or removing duplicate columns from spark dataframe