一、pandas 可以取第一个
df = df.sort_values(by=['uid', 'aid']).drop_duplicates(subset=['aid'], keep='first')
二、pyspark 无法通过这种方式取第一个
orderBy( [ 'uid', 'aid'], ascending=[ 0, 0, 0]).drop_duplicates( [ 'uid'])
解决方案:
window = Window.partitionBy(['uid']).orderBy(['uid'])
df.withColumn('rank', F.rank().over(window)).filter("rank= '1'").drop('rank')
注意
F.rank():计算排序时,如果存在相同位次的记录,则会跳过之后的位次。
F.dense_rank函数:同样是计算排序,即使存在相同位次的记录,也不会跳过之后的位次。
F.row_number函数:赋予唯一的连续位次。