Pyspark用NULL替换NaN

问题内容：

我使用Spark执行加载到Redshift的数据转换。Redshift不支持NaN值，因此我需要将所有出现的NaN替换为NULL。

我尝试过这样的事情：

some_table = sql('SELECT * FROM some_table')
some_table = some_table.na.fill(None)

但是我遇到了以下错误：

ValueError：值应为float，int，long，string，bool或dict

因此，似乎na.fill()不支持无。我特别需要替换为NULL，而不是其他一些值，例如0。

问题答案：

谷歌搜索了一下之后，我终于找到了答案。

df = spark.createDataFrame([(1, float('nan')), (None, 1.0)], ("a", "b"))
df.show()

+----+---+
|   a|  b|
+----+---+
|   1|NaN|
|null|1.0|
+----+---+

import pyspark.sql.functions as F
columns = df.columns
for column in columns:
    df = df.withColumn(column,F.when(F.isnan(F.col(column)),None).otherwise(F.col(column)))

sqlContext.registerDataFrameAsTable(df, "df2")
sql('select * from df2').show()

+----+----+
|   a|   b|
+----+----+
|   1|null|
|null| 1.0|
+----+----+

它没有使用na.fill()，但是它实现了相同的结果，所以我很高兴。

Pyspark用NULL替换NaN

微信关注