Tengo un pequeño problema. Me gustaría eliminar cualquier fila que contenga 'NULL'.

este es mi archivo de entrada:

matricule,dateins,cycle,specialite,bourse,sport
0000000001,1999-11-22,Master,IC,Non,Non
0000000002,2014-02-01,Null,IC,Null,Oui
0000000003,2006-09-07,Null,Null,Oui,Oui
0000000004,2008-12-11,Master,IC,Oui,Oui
0000000005,2006-06-07,Master,SI,Non,Oui

Hice mucha investigación y encontré una función llamada DROP (cualquiera). Que básicamente cae cualquier fila que contiene valor nulo. Intenté usarlo en el código a continuación, pero no funcionará.

val x = sc.textFile("/home/amel/one")

val re = x.map(row => {
  val cols = row.split(",")
  val cycle = cols(2)
  val years = cycle match {
    case "License" => "3 years"
    case "Master" => "3 years"
    case "Ingeniorat" => "5 years"
    case "Doctorate" => "3 years"
    case _ => "other"
  }
  (cols(1).split("-")(0) + "," + years + "," + cycle + "," + cols(3), 1)
}).reduceByKey(_ + _)
re.collect.foreach(println)

Este es el resultado actual de mi código:

(1999,3 years,Master,IC,57)
(2013,NULL,Doctorat,SI,44)
(2013,NULL,Licence,IC,73)
(2009,5 years,Ingeniorat,Null,58)
(2011,3 years,Master,Null,61)
(2003,5 years,Ingeniorat,Null,65)
(2019,NULL,Doctorat,SI,80)

Sin embargo, quiero que el resultado sea así:

(1999, 3 years, Master, IC)

I.E., cualquier fila que contenga 'NULL' debe ser eliminada.

0
Amel ha 26 jun. 2019 a las 18:16

1 respuesta

La mejor respuesta

Pregunta similar pero no duplicada como la siguiente pregunta sobre SO: Filtro Spark DataFrame en la cadena contiene

Puede filtrar este RDD cuando lo lea.

val x = sc.textFile("/home/amel/one").filter(!_.toLowerCase.contains("null"))
0
Jonathan Myers 26 jun. 2019 a las 15:25