RemoveDuplicates class

選択したソース列で重複する値が検出された場合、RemoveDuplicates 変換によって行全体が削除されます。

例

from pyspark.context import SparkContext
from pyspark.sql import SparkSession
from awsgluedi.transforms import *

sc = SparkContext()
spark = SparkSession(sc)

input_df = spark.createDataFrame(
    [
        (105.111, 13.12),
        (13.12, 13.12),
        (None, 13.12),
        (13.12, 13.12),
        (None, 13.12),
    ],
    ["source_column_1", "source_column_2"],
)

try:
    df_output = data_quality.RemoveDuplicates.apply(
        data_frame=input_df,
        spark_context=sc,
        source_column="source_column_1"
    )
except:
    print("Unexpected Error happened ")
    raise
    

出力

出力は、source_column_1 列に基づいて重複が削除された PySpark DataFrame になります。結果の「df_output」 DataFrame には、次の行が含まれます。

```
+---------------+---------------+
|source_column_1|source_column_2|
+---------------+---------------+
| 105.111| 13.12|
| 13.12| 13.12|
| null| 13.12|
+---------------+---------------+
```

「13.12」と「null」の source_column_1 値を持つ行は、source_column_1 列に基づいて重複が削除されているため、出力 DataFrame に 1 回だけ表示されることに注意してください。

方法

• __call__

• 適用

• 名前

• describeArgs

• describeReturn

• describeTransform

• describeErrors

• 説明

__call__(spark_context, data_frame, source_column)

選択したソース列で重複する値が検出された場合、RemoveDuplicates 変換によって行全体が削除されます。

• source_column - 既存の列の名前。

apply(cls, *args, **kwargs)

継承元は GlueTransform apply。

name(cls)

継承元は GlueTransform name。

describeArgs(cls)

継承元は GlueTransform describeArgs。

describeReturn(cls)

継承元は GlueTransform describeReturn。

describeTransform(cls)

継承元は GlueTransform describeTransform。

describeErrors(cls)

継承元は GlueTransform describeErrors。

describe(cls)

継承元は GlueTransform 説明。