You need to enable JavaScript to run this app. PySpark DataFrame分组转JSON时去重合并多联系信息问题咨询
优惠活动
大模型
产品
解决方案
定价
更多

PySpark DataFrame分组转JSON时去重合并多联系信息问题咨询

PySpark DataFrame转JSON去重聚合方案

出现重复的核心原因是collect_list会收集分组内所有行的对应字段值,未对重复的联系信息条目做过滤,可按以下两种方案实现:


方案1:分组前提前去重(推荐,性能更优)

先按客户唯一标识+联系信息全字段做全局去重,再分组聚合,避免分组时处理冗余数据。

from pyspark.sql import functions as F

# 1. 去重:参数为客户唯一标识 + 地址全字段 + 邮箱全字段 + 电话全字段,字段名请替换为你的实际列名
df_dedup = df.dropDuplicates([
    "CustId", "TIN", "EntityType", "EntityAttributes",
    "address_line1", "address_line2", "city", "postcode", "address_type",
    "email_addr", "email_type",
    "phone_num", "phone_type"
])

# 2. 分组聚合生成嵌套结构
result_df = df_dedup.groupBy("CustId", "TIN", "EntityType", "EntityAttributes") \
    .agg(
        F.collect_list(F.struct(
            "address_line1", "address_line2", "city", "postcode", "address_type"
        )).alias("address_list"),
        F.collect_list(F.struct("email_addr", "email_type")).alias("email_list"),
        F.collect_list(F.struct("phone_num", "phone_type")).alias("phone_list")
    )

# 3. 输出JSON
# 按行输出多个JSON文件
result_df.write.mode("overwrite").json("./customer_json_output/")
# 输出为单个数组格式JSON文件
result_df.toPandas().to_json("./customer_single.json", orient="records", force_ascii=False)

方案2:聚合后对数组去重

如果不需要修改原有分组逻辑,可直接用array_distinct函数对collect_list生成的数组做去重:

from pyspark.sql import functions as F

result_df = df.groupBy("CustId", "TIN", "EntityType", "EntityAttributes") \
    .agg(
        F.array_distinct(F.collect_list(F.struct(
            "address_line1", "address_line2", "city", "postcode", "address_type"
        ))).alias("address_list"),
        F.array_distinct(F.collect_list(F.struct("email_addr", "email_type"))).alias("email_list"),
        F.array_distinct(F.collect_list(F.struct("phone_num", "phone_type"))).alias("phone_list")
    )

内容的提问来源于stack exchange,提问作者Sneha Nair

相关产品推荐
方舟 Agent Plan

超全模态模型 × Harness 升级,最新支持 Deepseek-V4.1-Flash、GLM-5.3 系列、Doubao-Seedream-5.0-pro、Kimi-K3 (部分), 限时 9.9 元起

最近更新时间:2026.10.13 10:39:04