array_distinct

Remove valores duplicados do array.

Sintaxe

from pyspark.sql import functions as sf

sf.array_distinct(col)

Parâmetros

Parâmetro	Tipo	Description
col	pyspark.sql.Column ou str	Nome da coluna ou expressão

Devoluções

pyspark.sql.Column: Uma nova coluna que é um array de valores únicos da coluna de entrada.

Examples

Exemplo 1: Remover valores duplicados de um array simples

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]|
+--------------------+

Exemplo 2: Remoção de valores duplicados de múltiplos arrays

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]|
+--------------------+

Exemplo 3: Remover valores duplicados de um array com todos valores idênticos

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]|
+--------------------+

Exemplo 4: Remover valores duplicados de um array sem valores duplicados

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]|
+--------------------+

Exemplo 5: Remover valores duplicados de um array vazio

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)|
+--------------------+
|                  []|
+--------------------+