array_distinct

Hiermee verwijdert u dubbele waarden uit de matrix.

Syntaxis

from pyspark.sql import functions as sf

sf.array_distinct(col)

Parameterwaarden

Kenmerk	Typologie	Description
col	pyspark.sql.Column of str	Naam van kolom of expressie

Retouren

pyspark.sql.Column: Een nieuwe kolom die een matrix is van unieke waarden uit de invoerkolom.

Voorbeelden

Voorbeeld 1: Dubbele waarden verwijderen uit een eenvoudige matrix

from pyspark.sql import functions as sf
df = spark.createDataFrame([([1, 2, 3, 2],)], ['data'])
df.select(sf.array_distinct(df.data)).show()

+--------------------+
|array_distinct(data)|
+--------------------+
|           [1, 2, 3]|
+--------------------+

Voorbeeld 2: Dubbele waarden verwijderen uit meerdere matrices

from pyspark.sql import functions as sf
df = spark.createDataFrame([([1, 2, 3, 2],), ([4, 5, 5, 4],)], ['data'])
df.select(sf.array_distinct(df.data)).show()

+--------------------+
|array_distinct(data)|
+--------------------+
|           [1, 2, 3]|
|              [4, 5]|
+--------------------+

Voorbeeld 3: Dubbele waarden verwijderen uit een matrix met alle identieke waarden

from pyspark.sql import functions as sf
df = spark.createDataFrame([([1, 1, 1],)], ['data'])
df.select(sf.array_distinct(df.data)).show()

+--------------------+
|array_distinct(data)|
+--------------------+
|                 [1]|
+--------------------+

Voorbeeld 4: Dubbele waarden uit een matrix verwijderen zonder dubbele waarden

from pyspark.sql import functions as sf
df = spark.createDataFrame([([1, 2, 3],)], ['data'])
df.select(sf.array_distinct(df.data)).show()

+--------------------+
|array_distinct(data)|
+--------------------+
|           [1, 2, 3]|
+--------------------+

Voorbeeld 5: Dubbele waarden verwijderen uit een lege matrix

from pyspark.sql import functions as sf
from pyspark.sql.types import ArrayType, IntegerType, StructType, StructField
schema = StructType([
  StructField("data", ArrayType(IntegerType()), True)
])
df = spark.createDataFrame([([],)], schema)
df.select(sf.array_distinct(df.data)).show()

+--------------------+
|array_distinct(data)|
+--------------------+
|                  []|
+--------------------+