Supongamos que estamos trabajando con la siguiente representación de datos (dos columnas k
y v
, donde k
contiene tres entradas, dos únicas:
+---+---+
| k| v|
+---+---+
|foo| 1|
|bar| 2|
|foo| 3|
+---+---+
Con un marco de datos de Pandas:
import pandas as pd
p_df = pd.DataFrame([("foo", 1), ("bar", 2), ("foo", 3)], columns=("k", "v"))
p_df['k'].unique()
Esto devuelve un ndarray
, es decirarray(['foo', 'bar'], dtype=object)
Solicitó una "alternativa de marco de datos pyspark para pandas df ['col']. Unique ()". Ahora, dado el siguiente marco de datos de Spark:
s_df = sqlContext.createDataFrame([("foo", 1), ("bar", 2), ("foo", 3)], ('k', 'v'))
Si desea el mismo resultado de Spark, es decir ndarray
, use toPandas()
:
s_df.toPandas()['k'].unique()
Alternativamente, si no necesita ndarray
específicamente y solo desea una lista de los valores únicos de la columna k
:
s_df.select('k').distinct().rdd.map(lambda r: r[0]).collect()
Finalmente, también puede usar una lista de comprensión de la siguiente manera:
[i.k for i in s_df.select('k').distinct().collect()]