一般来说,你可以使用countDistinct
:
from pyspark.sql.functions import countDistinct
cnts = (df
.select([countDistinct(c).alias(c) for c in df.columns])
.first()
.asDict())
df.select(*[k for (k, v) in cnts.items() if v > 1])
## +---+-----+-----+-----+
## | id|index| name|data1|
## +---+-----+-----+-----+
## |345| 0|name1| 3|
## | 12| 1|name2| 2|
## | 2| 5|name6| 7|
## +---+-----+-----+-----+
这不会与基数数据的工作,但可以处理非数字列。
您可以使用同样的方法与标准差进行过滤:
from pyspark.sql.functions import stddev
stddevs = df.select(*[stddev(c).alias(c) for c in df.columns]).first().asDict()
df.select(*[k for (k, v) in stddevs.items() if v is None or v != 0.0])
## +---+-----+-----+-----+
## | id|index| name|data1|
## +---+-----+-----+-----+
## |345| 0|name1| 3|
## | 12| 1|name2| 2|
## | 2| 5|name6| 7|
## +---+-----+-----+-----+
感谢@ zero323 –