如何快速检查行是否存在PySpark Dataframe？

Question

我有一个PySpark数据帧，如下所示：

+------+------+
|     A|     B|
+------+------+
|     1|     2|
|     1|     3|
|     2|     3|
|     2|     5|
+------+------+

我想在表上进行查找，看看是否存在特定的行。例如，对于A=2，B=5测试，代码应返回True，对于A=2，B=10测试，代码应返回False。

我试过这个：

df[(df['A'] == 1) & (df['B'] == 2)].rdd.isEmpty()

不幸的是，这段代码需要很长时间才能执行，而且由于这是一个将执行多次的查找（针对不同的a和B值），我希望有一个更快的方法来完成这项任务。

我正在考虑的其他解决方案有：

• 将PySpark数据帧转换为Pandas数据帧，因为行查找更快
• 使用. where（）或. filter（）虽然从我所尝试的来看，我不预期会更快
• 使用. count（）over是空的（）

Answer 1

Spark函数ANY提供了一种非常快速的方法来检查数据帧中是否存在记录。

check = df.selectExpr('ANY((A = 2) AND (B = 5)) as chk')

check.show()
#  +----+
#  | chk|
#  +----+
#  |true|
#  +----+

check = df.selectExpr('ANY((A = 2) AND (B = 10)) as chk')
check.show()
#  +-----+
#  |  chk|
#  +-----+
#  |false|
#  +-----+

Answer 2

最好从要查找的条目创建一个spark数据框，然后执行半连接或反连接以获取查找数据框中存在或不存在的行。这应该比逐个检查条目更有效。

import pyspark.sql.functions as F

df = spark.createDataFrame([[2,5],[2,10]],['A','B'])

result1 = df.join(lookup, ['A','B'], 'semi').withColumn('exists', F.lit(True))

result2 = df.join(lookup, ['A','B'], 'anti').withColumn('exists', F.lit(False))

result = result1.unionAll(result2)

result.show()
+---+---+------+
|  A|  B|exists|
+---+---+------+
|  2|  5|  true|
|  2| 10| false|
+---+---+------+